CN112508957A - 图像分割方法和装置、电子设备、机器可读存储介质 - Google Patents

图像分割方法和装置、电子设备、机器可读存储介质 Download PDF

Info

Publication number
CN112508957A
CN112508957A CN202011445375.0A CN202011445375A CN112508957A CN 112508957 A CN112508957 A CN 112508957A CN 202011445375 A CN202011445375 A CN 202011445375A CN 112508957 A CN112508957 A CN 112508957A
Authority
CN
China
Prior art keywords
complex
data
segmentation
convolution
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011445375.0A
Other languages
English (en)
Other versions
CN112508957B (zh
Inventor
张娜
郑海荣
刘新
李奕慷
胡战利
梁栋
贾森
邹超
李烨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202011445375.0A priority Critical patent/CN112508957B/zh
Priority to PCT/CN2020/136226 priority patent/WO2022120885A1/zh
Publication of CN112508957A publication Critical patent/CN112508957A/zh
Application granted granted Critical
Publication of CN112508957B publication Critical patent/CN112508957B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种图像分割方法，其包括：接收输入的K空间数据，所述K空间数据具有复数形式；利用复数分割神经网络对所述K空间数据进行分割处理；根据分割后的K空间数据形成分割后的图像。本发明还提供了一种图像分割装置、电子设备以及机器可读存储介质。本发明直接对具有复数形式的K空间数据进行了分割，可以省略现有的一系列的成像过程，避免了图像数据在傅里叶变换中的损失，降低了分割成本的同时还提高了分割效率。

Description

图像分割方法和装置、电子设备、机器可读存储介质
技术领域
本发明属于图像处理技术领域，具体的地讲，涉及一种图像分割方法、图像分割装置、电子设备以及机器可读存储介质。
背景技术
对于磁共振成像图像的分割，现有技术一般是基于频域图像进行分割，即将采集到的K空间数据通过傅里叶变换后所得到的图像进行分割。
现有的磁共振成像图像的分割方法一般遵循如下顺序，首先由磁共振设备扫描目标对象得到欠采样的K空间数据，然后经过压缩感知等方法重建后得到近似的全采样K空间数据，接着使用傅里叶变换的方法将K空间数据从时域信号转化为可以被识别的频域信号，也就是通常的医学图像，再接着经过神经网络等方法对频域信号进行再次重建，增加图像细节例如边缘增强，调高亮度等，最后再使用神经网络等方法对重建后的医学图像进行分割。然而，现有的分割方法的这一系列过程不仅繁琐，并且在傅里叶变换和重建中也会导致图像信息丢失，从而影响整个图像的分割质量。
发明内容
为了解决上述现有技术存在的技术问题，本发明提供了一种直接利用K空间数据进行图像分割的图像分割方法、图像分割装置、电子设备以及机器可读存储介质。
根据本发明的实施例的一方面提供的图像分割方法，其包括：接收输入的K空间数据，所述K空间数据具有复数形式；利用复数分割神经网络对所述K空间数据进行分割处理；根据分割后的K空间数据形成分割后的图像。
在上述一方面提供的图像分割方法的一个示例中，所述利用复数分割神经网络对所述K空间数据进行分割处理，包括：利用复数分割神经网络的复数卷积层对输入的K空间处理进行复数卷积处理，以得到复数卷积数据；利用复数分割神经网络的复数批归一化层对所述复数卷积数据进行复数批归一化处理，以得到复数归一化数据；利用复数分割神经网络的复数激活函数层对所述复数归一化数据进行激活处理，以得到分割后的K空间数据。
在上述一方面提供的图像分割方法的一个示例中，利用复数分割神经网络的复数卷积层，并根据下面的式子1来对输入的K空间处理进行复数卷积处理，以得到复数卷积数据，
[式子1]x＝W*h＝(A*a-B*b)+i(B*a+A*b)
其中，x表示所述复数卷积数据，W＝A+iB表示所述复数卷积层的复数卷积核，h＝a+ib表示输入的K空间数据，a、b、A、B分别表示实常数。
在上述一方面提供的图像分割方法的一个示例中，利用复数分割神经网络的复数批归一化层，并根据下面的式子2和式子3对所述复数卷积数据进行复数批归一化处理，以得到复数归一化数据，
[式子2]
Figure BDA0002824140570000021
[式子3]
Figure BDA0002824140570000022
其中，
Figure BDA0002824140570000023
表示所述复数卷积数据的协方差，V表示协方差矩阵，E[x]表示所述复数卷积数据的数学期望，
Figure BDA0002824140570000024
表示所述复数归一化数据，γ表示复数矩阵，β表示复数参数。
在上述一方面提供的图像分割方法的一个示例中，所述利用复数分割神经网络的复数激活函数层对所述复数归一化数据进行激活处理，以得到分割后的K空间数据，包括：利用复数分割神经网络的复数激活函数层对所述复数归一化数据的实部和虚部分别进行激活处理，以得到分割后的K空间数据。
在上述一方面提供的图像分割方法的一个示例中，所述复数激活函数层采用复数线性整流函数分别对所述复数归一化数据的实部和虚部进行激活处理，以得到分割后的K空间数据。
根据本发明的实施例的另一方面提供的图像分割装置，其包括：复数数据接收模块，用于接收输入的K空间数据，所述K空间数据具有复数形式；复数分割神经网络模块，用于利用复数分割神经网络对所述K空间数据进行分割处理；成像模块，用于根据分割后的K空间数据形成分割后的图像。
在上述另一方面提供的图像分割装置的一个示例中，所述复数分割神经网络模块包括：复数卷积层单元，用于利用复数分割神经网络的复数卷积层对输入的K空间处理进行复数卷积处理，以得到复数卷积数据；复数批归一化层单元，用于利用复数分割神经网络的复数批归一化层对所述复数卷积数据进行复数批归一化处理，以得到复数归一化数据；复数激活函数层单元，用于利用复数分割神经网络的复数激活函数层对所述复数归一化数据进行激活处理，以得到分割后的K空间数据。
根据本发明的实施例的又一方面提供的电子设备，其包括：至少一个处理器，以及与所述至少一个处理器耦合的存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如上所述的图像分割方法。
根据本发明的实施例的再一方面提供的机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如上所述的图像分割方法。
有益效果：本发明直接对具有复数形式的K空间数据进行了分割，可以省略现有的一系列的成像过程，避免了图像数据在傅里叶变换中的损失，降低了分割成本的同时还提高了分割效率。
附图说明
通过结合附图进行的以下描述，本发明的实施例的上述和其它方面、特点和优点将变得更加清楚，附图中：
图1是根据本发明的实施例的图像分割方法的流程图；
图2是根据本发明的实施例的图像分割方法中利用复数分割神经网络对K空间数据进行分割处理的方法流程图；
图3是根据本发明的实施例的图像分割装置的方框图；
图4是示出了根据本发明的实施例的实现图像分割方法的电子设备的方框图
具体实施方式
以下，将参照附图来详细描述本发明的具体实施例。然而，可以以许多不同的形式来实施本发明，并且本发明不应该被解释为限制于这里阐述的具体实施例。相反，提供这些实施例是为了解释本发明的原理及其实际应用，从而使本领域的其他技术人员能够理解本发明的各种实施例和适合于特定预期应用的各种修改。
如本文中使用的，术语“包括”及其变型表示开放的术语，含义是“包括但不限于”。术语“基于”、“根据”等表示“至少部分地基于”、“至少部分地根据”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义，无论是明确的还是隐含的。除非上下文中明确地指明，否则一个术语的定义在整个说明书中是一致的。
如上所述，现有图像分割方法的过程不仅繁琐，并且在傅里叶变换和重建中也会导致图像信息丢失，从而影响整个图像的分割质量。
为了简化图像分割方法的过程，根据本发明的实施例提供了一种图像分割方法和图像分割装置。该图像分割装置可以包括：接收输入的K空间数据，所述K空间数据具有复数形式；利用复数分割神经网络对所述K空间数据进行分割处理；根据分割后的K空间数据形成分割后的图像。
因此，在该图像分割方法中，直接对具有复数形式的K空间数据进行了分割，可以省略现有的一系列的成像过程，避免了图像数据在傅里叶变换中的损失，降低了分割成本的同时还提高了分割效率。
以下将结合附图来详细描述根据本发明的实施例的直接对具有复数形式的K空间数据进行了分割的图像分割方法和图像分割装置。
图1是根据本发明的实施例的图像分割方法的流程图。
参照图1，在框101，接收输入的K空间数据，所述K空间数据具有复数形式。
在一个示例中，可以利用磁共振设备扫描目标对象(例如血管壁等)得到欠采样的K空间数据，而该K空间数据具有复数形式。这里，h＝a+ib表示K空间数据具有的复数形式，其中，a和b均是实常数。可以理解，a是实部，b是虚部。
当然，在采集过程中，会采集到若干个欠采样的K空间数据，而每个K空间数据都具有上面的复数形式。当然，不同的K空间数据，其实部a和/或虚部b可以不相同。
在框103，利用复数分割神经网络对所述K空间数据进行分割处理。
在一个示例中，构造一个复数分割神经网络，以直接对具有复数形式的K空间数据进行分割处理。这里，复数分割神经网络的构造主要是对卷积层、批归一化层和激活函数层的构造，分别相应构造为复数卷积层、复数批归一化层以及复数激活函数层。以下对采用这三个层如何对K空间数据进行分割处理进行详细说明。图2是根据本发明的实施例的图像分割方法中利用复数分割神经网络对K空间数据进行分割处理的方法流程图。
参照图2，在步骤S202中，可以利用复数分割神经网络的复数卷积层对输入的K空间处理进行复数卷积处理，以得到复数卷积数据。
在一个示例中，W＝A+iB表示复数卷积层的复数卷积核，其中，A、B分别表示实常数。可以理解，A是实部，B是虚部。而针对不同的复数卷积层的复数卷积核，其实部A和/或虚部B可以不相同。
基于上述，在一个示例中，可以利用复数分割神经网络的复数卷积层，并根据下面的式子1来对输入的K空间处理进行复数卷积处理，以得到复数卷积数据。
[式子1]x＝W*h＝(A*a-B*b)+i(B*a+A*b)
其中，x表示所述复数卷积数据。
这里，我们设定c＝A*a-B*b，d＝B*a+A*b，则式子1中的x＝c+id。这是为了下面简化运算过程而设定。
在步骤S204中，可以利用复数分割神经网络的复数批归一化层对所述复数卷积数据进行复数批归一化处理，以得到复数归一化数据。
在一个示例中，可以利用复数分割神经网络的复数批归一化层，并根据下面的式子2和式子3对所述复数卷积数据进行复数批归一化处理，以得到复数归一化数据。
[式子2]
Figure BDA0002824140570000051
[式子3]
Figure BDA0002824140570000052
其中，
Figure BDA0002824140570000053
表示所述复数卷积数据的协方差，V表示协方差矩阵，E[x]表示所述复数卷积数据的数学期望，
Figure BDA0002824140570000054
表示所述复数归一化数据，γ表示复数矩阵，β表示复数参数。
在一个示例中，协方差矩阵V可以被表示为下面的式子4。
[式子4]
Figure BDA0002824140570000061
其中，R(x)表示复数卷积数据的实部，即R(x)＝c，而I(x)表示复数卷积数据的实部，即I(x)＝d。Cov()表示协方差。
在一个示例中，数学期望E[x]可以被表示为下面的式子5。
[式子5]
Figure BDA0002824140570000062
利用复数分割神经网络的复数激活函数层对所述复数归一化数据进行激活处理，以得到分割后的K空间数据。
将式子4和式子5代入到式子2中，可以得到下面的式子6。
[式子6]
Figure BDA0002824140570000063
其中，e＝c-E(c)，f＝d-E(d)。再设定
Figure BDA0002824140570000064
则式子6中的
Figure BDA0002824140570000065
在一个示例中，设定复数参数β满足式子7。
[式子7]β＝g+iq
其中，g、q分别表示实常数。可以理解，g是实部，q是虚部。
在一个示例中，复数矩阵γ可以被表示下面的式子8。
[式子8]
Figure BDA0002824140570000066
其中，γ11、γ12、γ21、γ22均为复数，其实部和虚部均是实常数。
接着，将式子6的
Figure BDA0002824140570000069
式子7和式子8代入到式子3中，可以得到下面的式子9。
[式子9]
Figure BDA0002824140570000067
其中，设定p＝(γ11m+γ12n+g)，u＝(γ21m+γ22n+q)，则式子9中的
Figure BDA0002824140570000068
其作为所述复数归一化数据输入到复数分割神经网络的复数激活函数层。
在步骤S206中，可以利用复数分割神经网络的复数激活函数层对所述复数归一化数据的实部和虚部分别进行激活处理，以得到分割后的K空间数据。
在一个示例中，复数激活函数层采用复数线性整流函数分别对所述复数归一化数据的实部p和虚部u进行激活处理，以得到分割后的K空间数据。
继续参照图1，在框105，根据分割后的K空间数据形成分割后的图像。以下对根据本发明的实施例的图像分割装置进行详细描述。
图3是根据本发明的实施例的图像分割装置的方框图。
参照图3，根据本发明的实施例的图像分割装置300包括：复数数据接收模块310、复数分割神经网络模块320、成像模块330。
复数数据接收模块310用于接收输入的K空间数据，所述K空间数据具有复数形式。在一个示例中，可以利用磁共振设备扫描目标对象(例如血管壁等)得到欠采样的K空间数据，而该K空间数据具有复数形式。复数数据接收模块310用于该具有复数形式的K空间数据。
复数分割神经网络模块320用于利用复数分割神经网络对所述K空间数据进行分割处理。在一个示例中，复数分割神经网络模块320包括复数卷积层单元、复数批归一化层单元、复数激活函数层单元。该复数卷积层单元可以利用复数分割神经网络的复数卷积层，并根据上面的式子1来对输入的K空间处理进行复数卷积处理，以得到复数卷积数据。该复数批归一化层单元利用复数分割神经网络的复数批归一化层，并根据上面的式子2至式子9对复数卷积数据进行复数批归一化处理，以得到复数归一化数据。该复数激活函数层单元可以利用复数分割神经网络的复数激活函数层(诸如采用复数线性整流函数)对复数归一化数据的实部和虚部分别进行激活处理，以得到分割后的K空间数据。
成像模块330用于根据分割后的K空间数据形成分割后的图像。
以上参照图1到图3，对根据本发明的实施例的图像分割方法和图像分割装置进行了描述。
根据本发明的实施例的图像分割装置可以采用硬件实现，也可以采用软件或者硬件和软件的组合来实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在设备的处理器将存储器中对应的计算机程序指令读取到内存中运行形成的。在本发明的实施例中，使用进行图像分割的装置例如可以利用电子设备来实现。
图4是示出了根据本发明的实施例的实现图像分割方法的电子设备的方框图。
参照图4，电子设备400可以包括至少一个处理器410、存储器(例如，非易失性存储器)420、内存430和通信接口440，并且至少一个处理器410、存储器420、内存430和通信接口440经由总线450连接在一起。至少一个处理器410执行在存储器中存储或编码的至少一个计算机可读指令(即，上述以软件形式实现的元素)。
在一个示例中，在存储器中存储计算机可执行指令，其当执行时使得至少一个处理器410执行以下过程：接收输入的K空间数据，所述K空间数据具有复数形式；利用复数分割神经网络对所述K空间数据进行分割处理；根据分割后的K空间数据形成分割后的图像。
应该理解，在存储器中存储的计算机可执行指令当执行时使得至少一个处理器410在进行根据本发明的各个实施例中结合以上图1至图3描述的各种操作和功能。
根据一个实施例，提供了一种例如机器可读介质的程序产品。机器可读介质可以具有指令(即，上述以软件形式实现的元素)，该指令当被机器执行时，使得机器执行本发明的各个实施例中的结合以上图1至图3描述的各种操作和功能。
具体地，可以提供配有可读存储介质的系统或者装置，在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。
在这种情况下，从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此机器可读代码和存储机器可读代码的可读存储介质构成了本发明的实施例的一部分。
可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD-RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上或云上下载程序代码。
上述对本发明的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
上述各流程和各系统结构图中不是所有的步骤和单元都是必须的，可以根据实际的需要忽略某些步骤或单元。各步骤的执行顺序不是固定的，可以根据需要进行确定。上述各实施例中描述的装置结构可以是物理结构，也可以是逻辑结构，即，有些单元可能由同一物理实体实现，或者，有些单元可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。
在整个本说明书中使用的术语“示例性”、“示例”等意味着“用作示例、实例或例示”，并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的，具体实施方式包括具体细节。然而，可以在没有这些具体细节的情况下实施这些技术。在一些实例中，为了避免对所描述的实施例的概念造成难以理解，公知的结构和装置以框图形式示出。
以上结合附图详细描述了本发明的实施例的可选实施方式，但是，本发明的实施例并不限于上述实施方式中的具体细节，在本发明的实施例的技术构思范围内，可以对本发明的实施例的技术方案进行多种简单变型，这些简单变型均属于本发明的实施例的保护范围。
本说明书内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本说明书内容。对于本领域普通技术人员来说，对本说明书内容进行的各种修改是显而易见的，并且，也可以在不脱离本说明书内容的保护范围的情况下，将本文所定义的一般性原理应用于其它变型。因此，本说明书内容并不限于本文所描述的示例和设计，而是与符合本文公开的原理和新颖性特征的最广范围相一致。

Claims (10)

1.一种图像分割方法，其特征在于，所述图像分割方法包括：
接收输入的K空间数据，所述K空间数据具有复数形式；
利用复数分割神经网络对所述K空间数据进行分割处理；
根据分割后的K空间数据形成分割后的图像。
2.根据权利要求1所述的图像分割方法，其特征在于，所述利用复数分割神经网络对所述K空间数据进行分割处理，包括：
利用复数分割神经网络的复数卷积层对输入的K空间处理进行复数卷积处理，以得到复数卷积数据；
利用复数分割神经网络的复数批归一化层对所述复数卷积数据进行复数批归一化处理，以得到复数归一化数据；
利用复数分割神经网络的复数激活函数层对所述复数归一化数据进行激活处理，以得到分割后的K空间数据。
3.根据权利要求2所述的图像分割方法，其特征在于，利用复数分割神经网络的复数卷积层，并根据下面的式子1来对输入的K空间处理进行复数卷积处理，以得到复数卷积数据，
[式子1]x＝W*h＝(A*a-B*b)+i(B*a+A*b)
其中，x表示所述复数卷积数据，W＝A+iB表示所述复数卷积层的复数卷积核，h＝a+ib表示输入的K空间数据，a、b、A、B分别表示实常数。
4.根据权利要求3所述的图像分割方法，其特征在于，利用复数分割神经网络的复数批归一化层，并根据下面的式子2和式子3对所述复数卷积数据进行复数批归一化处理，以得到复数归一化数据，
[式子2]
Figure FDA0002824140560000011
[式子3]
Figure FDA0002824140560000012
其中，
Figure FDA0002824140560000013
表示所述复数卷积数据的协方差，V表示协方差矩阵，E[x]表示所述复数卷积数据的数学期望，BN(x)表示所述复数归一化数据，γ表示复数矩阵，β表示复数参数。
5.根据权利要求2至4任一项所述的图像分割方法，其特征在于，所述利用复数分割神经网络的复数激活函数层对所述复数归一化数据进行激活处理，以得到分割后的K空间数据，包括：
利用复数分割神经网络的复数激活函数层对所述复数归一化数据的实部和虚部分别进行激活处理，以得到分割后的K空间数据。
6.根据权利要求5所述的图像分割方法，其特征在于，所述复数激活函数层采用复数线性整流函数分别对所述复数归一化数据的实部和虚部进行激活处理，以得到分割后的K空间数据。
7.一种图像分割装置，其特征在于，所述图像分割装置包括：
复数数据接收模块，用于接收输入的K空间数据，所述K空间数据具有复数形式；
复数分割神经网络模块，用于利用复数分割神经网络对所述K空间数据进行分割处理；
成像模块，用于根据分割后的K空间数据形成分割后的图像。
8.根据权利要求7所述的图像分割装置，其特征在于，所述复数分割神经网络模块包括：
复数卷积层单元，用于利用复数分割神经网络的复数卷积层对输入的K空间处理进行复数卷积处理，以得到复数卷积数据；
复数批归一化层单元，用于利用复数分割神经网络的复数批归一化层对所述复数卷积数据进行复数批归一化处理，以得到复数归一化数据；
复数激活函数层单元，用于利用复数分割神经网络的复数激活函数层对所述复数归一化数据进行激活处理，以得到分割后的K空间数据。
9.一种电子设备，其特征在于，包括：
至少一个处理器，以及
与所述至少一个处理器耦合的存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如权利要求1至6中任一所述的图像分割方法。
10.一种机器可读存储介质，其存储有可执行指令，其特征在于，所述指令当被执行时使得所述机器执行如权利要求1到6中任一所述的图像分割方法。
CN202011445375.0A 2020-12-08 2020-12-08 图像分割方法和装置、电子设备、机器可读存储介质 Active CN112508957B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011445375.0A CN112508957B (zh) 2020-12-08 2020-12-08 图像分割方法和装置、电子设备、机器可读存储介质
PCT/CN2020/136226 WO2022120885A1 (zh) 2020-12-08 2020-12-14 图像分割方法和装置、电子设备、机器可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011445375.0A CN112508957B (zh) 2020-12-08 2020-12-08 图像分割方法和装置、电子设备、机器可读存储介质

Publications (2)

Publication Number Publication Date
CN112508957A true CN112508957A (zh) 2021-03-16
CN112508957B CN112508957B (zh) 2023-12-01

Family

ID=74971164

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011445375.0A Active CN112508957B (zh) 2020-12-08 2020-12-08 图像分割方法和装置、电子设备、机器可读存储介质

Country Status (2)

Country Link
CN (1) CN112508957B (zh)
WO (1) WO2022120885A1 (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109102015A (zh) * 2018-08-06 2018-12-28 西安电子科技大学 一种基于复数神经网络的sar图像变化检测方法
US20190369190A1 (en) * 2018-06-04 2019-12-05 Korea Advanced Institute Of Science And Technology Method for processing interior computed tomography image using artificial neural network and apparatus therefor
CN111123183A (zh) * 2019-12-27 2020-05-08 杭州电子科技大学 基于复数R2U_Net网络的快速磁共振成像方法
CN111626412A (zh) * 2020-05-12 2020-09-04 浙江大学 复数神经网络的一维卷积加速装置及方法
CN111931788A (zh) * 2020-07-24 2020-11-13 电子科技大学 基于复值的图像特征提取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109350061B (zh) * 2018-11-21 2022-03-15 成都信息工程大学 基于深度卷积神经网络的磁共振成像方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190369190A1 (en) * 2018-06-04 2019-12-05 Korea Advanced Institute Of Science And Technology Method for processing interior computed tomography image using artificial neural network and apparatus therefor
CN109102015A (zh) * 2018-08-06 2018-12-28 西安电子科技大学 一种基于复数神经网络的sar图像变化检测方法
CN111123183A (zh) * 2019-12-27 2020-05-08 杭州电子科技大学 基于复数R2U_Net网络的快速磁共振成像方法
CN111626412A (zh) * 2020-05-12 2020-09-04 浙江大学 复数神经网络的一维卷积加速装置及方法
CN111931788A (zh) * 2020-07-24 2020-11-13 电子科技大学 基于复值的图像特征提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TRABELSI，CHIHEB等: "Deep Complex Networks", "ARXIV:1705.09792V4 [CS.NE]", pages 4 - 10 *
曲凌志等: "一种基于复数残差网络的通信辐射源个体识别方法", 《信号处理》 *

Also Published As

Publication number Publication date
CN112508957B (zh) 2023-12-01
WO2022120885A1 (zh) 2022-06-16

Similar Documents

Publication Publication Date Title
Wang et al. DIMENSION: dynamic MR imaging with both k‐space and spatial prior knowledge obtained via multi‐supervised network training
Jin et al. Annihilating filter-based low-rank Hankel matrix approach for image inpainting
Xu et al. A fast patch-dictionary method for whole image recovery
CN111080628A (zh) 图像篡改检测方法、装置、计算机设备和存储介质
Hu et al. Improved DCT‐based nonlocal means filter for MR images denoising
CN110781923B (zh) 特征提取方法及装置
US20150030239A1 (en) Training classifiers for deblurring images
Panigrahi et al. Curvelet‐based multiscale denoising using non‐local means & guided image filter
Ren et al. Partial deconvolution with inaccurate blur kernel
CN108961180B (zh) 红外图像增强方法及系统
Parameswaran et al. Accelerating GMM-Based Patch Priors for Image Restoration: Three Ingredients for a $100 {\times} $ Speed-Up
US11392800B2 (en) Computer vision systems and methods for blind localization of image forgery
CN111862251B (zh) 医学图像重建技术的方法、装置、存储介质和电子设备
CN112862681A (zh) 一种超分辨率方法、装置、终端设备及存储介质
CN109064402B (zh) 基于增强非局部总变分模型先验的单幅图像超分辨率重建方法
Ljubenović et al. Plug-and-play approach to class-adapted blind image deblurring
CN114049491A (zh) 指纹分割模型训练、指纹分割方法、装置、设备及介质
CN112508957B (zh) 图像分割方法和装置、电子设备、机器可读存储介质
Deledalle et al. Blind atmospheric turbulence deconvolution
CN115731179A (zh) 轨道部件检测方法、终端及存储介质
Wu et al. Wavelet Domain Multidictionary Learning for Single Image Super‐Resolution
Kokkinos et al. Pixel adaptive filtering units
CN114140340A (zh) 图像数据的伪影处理方法及装置、存储介质、终端
Kishan et al. Patch-based and multiresolution optimum bilateral filters for denoising images corrupted by Gaussian noise
Turgay et al. Texture and edge preserving multiframe super‐resolution

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant