CN112541856A - 一种结合马尔科夫场和格拉姆矩阵特征的医学类图像风格迁移方法 - Google Patents
一种结合马尔科夫场和格拉姆矩阵特征的医学类图像风格迁移方法 Download PDFInfo
- Publication number
- CN112541856A CN112541856A CN202011418657.1A CN202011418657A CN112541856A CN 112541856 A CN112541856 A CN 112541856A CN 202011418657 A CN202011418657 A CN 202011418657A CN 112541856 A CN112541856 A CN 112541856A
- Authority
- CN
- China
- Prior art keywords
- image
- style
- features
- loss function
- method combining
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000005012 migration Effects 0.000 title claims abstract description 32
- 238000013508 migration Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 title claims abstract description 25
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 230000004931 aggregating effect Effects 0.000 claims abstract 2
- 230000006870 function Effects 0.000 claims description 23
- 230000011218 segmentation Effects 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000006116 polymerization reaction Methods 0.000 claims description 4
- RJMUSRYZPJIFPJ-UHFFFAOYSA-N niclosamide Chemical compound OC1=CC=C(Cl)C=C1C(=O)NC1=CC=C([N+]([O-])=O)C=C1Cl RJMUSRYZPJIFPJ-UHFFFAOYSA-N 0.000 claims 1
- 238000011478 gradient descent method Methods 0.000 abstract 1
- 230000014759 maintenance of location Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000004456 color vision Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000379 polymerizing effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G06T3/04—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种结合马尔科夫场和格拉姆矩阵特征的医学类图像风格迁移方法,包括1)对目标图像和参考图像进行预操作;2)通过计算目标图像的拉普拉斯矩阵来构建仿射损失函数,约束局部仿射来约束图像变换;3)利用深度神经网络提取目标图像和参考图像的各层次深度特征,通过迭代聚合深度特征;4)构建内容保持损失和风格损失函数;5)通过构建的总损失函数,利用梯度下降法不断更新初始图像直到具有参考图像的风格信息和目标图像的纹理结构。本发明能够完成医学场景下的风格迁移功能,并能产生真实且美观的医学图像。
Description
技术领域
本发明涉及医学类图像风格化以及深度学习和风格迁移方法,具体是一种结合马尔科夫场和格拉姆矩阵特征的医学类图像风格迁移方法。
背景技术
图像风格迁移技术利用深度学习原理将参考图像风格迁移到目标图像上:输入一张目标图像和一张参考图像,通过算法使生成图像保留目标图像的结构同时又拥有参考图像的艺术风格。图像风格迁移的意义在于,使用者事先并不需要学习绘画或者修图技术,而是使用一种通用模型,仅利用计算机工具就可以对不同的图像进行风格迁移,使目标图像具有使用者预设的艺术性风格。
尽管现代医学影像技术已经取得了巨大的成功,但是真彩色的医学图像依旧比较匮乏。伪彩色处理通过色阶把在灰度医学图像中不易分辨的一些细节在伪彩色图像中显现出来,对于这些医学图像进行伪彩色处理是一种非常有效的图像增强技术。不同的彩色信息能够显著突出图像中的不同区域。尽管医生凭借专业知识和临床经验能够分辨出原始医学图像中的病灶区域以及相关信息,但是利用计算机将灰度医学图像彩色化可以更加清晰的体现图像的病灶区域信息,这能够帮助医生快速找到医学图像中有用的生理学信息,从而提高医生的研究、诊断以及治疗疾病的能力,还能够帮助患者对医学影像内容进行观察和理解以增进医生与患者之间的沟通。因此将医学图像赋予彩色信息很有必要,这不仅能够改善图像质量,增加细节信息并且突出医学图像特征,还能改善视觉效果使之具有更高的辨别度,方便观察者理解医学图像中的内容信息,因此医学图像颜色感知的研究在医学影像技术进一步发展中也起着重要作用。尽管现在已经存在很多成功的风格迁移方法,但是目前的基于神经网络的风格迁移算法主要应用于艺术类照片上,在面对医学类照片时还是存在一些不足。
目前存在着以下的问题:
1.在医学类照片风格迁移时,仅基于格拉姆矩阵或基于马尔科夫随机场来表达图像特征的方法不能在保持图像的纹理结构的同时也获取丰富的图像风格信息。仅基于格拉姆矩阵表达特征的算法对风格图像的局部细节不敏感,而基于马尔科夫随机场表达特征的算法虽然在图像上表现了特征局部空间的关系,但在整体上获取风格信息较少。这两类风格迁移算法应用于医学类照片时,生成的图像有不规则色彩斑点或纹理过度扭曲导致生成图像美感不够质量较低。
2.部分风格迁移算法在整个过程中,引入了语义映射的步骤。通过语义区域与风格迁移区域相对应来限制图像迁移区域过大导致的纹理溢出。但生成语义映射的过程是人为手动制作的,人工分割步骤太过繁琐使整个风格迁移过程产生额外人为操作,增加了算法总流程的开销时间。
发明内容
基于上述这些问题,本发明提出了一种可以应用于不同风格场景下的医学类图像风格迁移方法,利用深度神经网络结合风格迁移思想对医学类图像进行风格迁移:利用自动语义分割模块对图像进行语义分割;通过深度神经网络提取目标图像、参考图像和初始化图像的深度特征;将聚合后的特征与语义映射相结合,然后构造内容损失、全局风格损失、局部风格损失、仿射损失;计算总损失关于初始图像像素的梯度,利用此梯度迭代更新初始化图像直到它同时匹配参考图像的风格信息和目标图像的纹理结构。
鉴于此,本发明采用的具体技术方案如下:
1)将目标图像和参考图像调整为相同的尺寸大小,然后通过自动语义分割模块分别获取各自对应的语义分割映射;
2)利用计算目标图像的拉普拉斯矩阵,构建仿射损失函数,约束图像纹理结构;
3)再设置一张初始化图像,该初始化图像由目标图像复制而来。将初始化图像、步骤1)中的参考图像和目标图像输入到深度神经网络中提取多个卷积层的深度特征,通过迭代聚合不同层提取的特征;
4)利用提取的深度特征构建总损失约束项,包括对内容纹理的约束和对风格的约束;
5)通过总损失函数的梯度,根据误差反向传播算法求得总损失关于初始图像的梯度,然后通过基于梯度的优化方法对深度神经网络进行优化,迭代更新初始图像。
综上所述,本发明的优点及有益效果如下:
1.本发明的图像风格迁移方法,其自动分割模块减少了人为手动对图像进行分割的时间开销;同时语义映射限制了场景边缘处的纹理溢出。
2.深度聚合模块结合了多层次的特征信息,在捕获了图像不同层次的信息的同时,减小了算法计算量。
3.全局与局部风格损失构成的总风格损失,在多个角度上体现了图像风格信息;构建的全局风格与局部风格损失保留图像宏观与微观图像信息,提升了图像风格信息的质量。同时,本发明还提出仿射损失,在颜色空间上约束图像变化来限制图像纹理扭曲,使生成图像看起来更加真实。在不同医学类风格迁移场景下,该算法均能产生真实又美观的图像。
附图说明
图1为本发明的算法框架图;
图2为本发明中迭代聚合特征过程示意图。
具体实施方式
下面将结合本发明实施事例中的附图,对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
将目标图像和参考图像调整为相同的尺寸大小,然后通过自动语义分割模块分别获取各自对应的语义分割映射。利用计算目标图像的拉普拉斯矩阵,来构建仿射损失函数,约束局部仿射来约束图像结构的变换。将初始化生成图像设置为目标图像,并将初始化图像、参考图像和目标图像输入到深度神经网络中提取多个卷积层的深度特征。通过迭代聚合深度特征步骤,将不同层的特征聚合在一起。利用提取的深度特征构建总损失约束项,包括对内容纹理的约束和对风格的约束。通过损失函数的梯度,根据误差反向传播算法求得总损失关于初始图像的梯度,然后通过基于梯度的优化方法对深度神经网络进行优化,迭代更新初始图像。
下面结合图1对本发明的技术方案进行详细描述:
步骤一:建立仿射损失函数约束图像纹理结构
在颜色空间中通过约束局部仿射来约束图像变换,使其在风格迁移后不丢失医学类风格。在迁移过程中,对于每一个颜色块,都存在仿射函数将图像的RGB颜色空间值映射输入到其对应输出的位置。每个区域的仿射函数随空间变化而不同。计算目标图像的拉普拉斯矩阵MI,将Vc[O]定义为生成图像O在每个通道c上的向量化,仿射损失函数Laffine公式如下:
步骤三:通过迭代聚合不同层提取的特征
使用的深度神经网络是进行微调后的VGG19网络。如图2所示,从浅层至深层{conv1_1,conv2_1,conv3_1,conv4_1}不同层提取了特征,因为每一层输出的尺寸大小是不一样的:浅层输出尺寸大于深层输出尺寸。所以在聚合不同层的特征之前,先将它们重调整成相同的大小。从i层提取特征记为Fi,由F1-i与Fi聚合后的特征记为Fui,其中,表示不同特征聚合过程,表示下采样重新调整大小过程,n代表迭代的层数。迭代聚合过程)如下:
步骤四:构建总损失函数
总损失函数包括四项损失函数,分别是内容损失、局部风格损失、全局风格损失、仿射损失。
1)内容损失通过使用目标图像I和生成图像O的深度特征构造均方误差损失。N是特征映射数量,D是融合特征的尺寸。其具体公式为:
F4[O],F4[I]分别表示生成图像O和目标图像I的深度特征,ij表示第i个特征上的第j个位置。
2)局部风格损失体现了图像局部像素上的关系,其引入马尔科夫随机场与深度神经网络结合,用特征映射来表现图像局部关系。通过特征块之间的匹配将原图像特征图中的特征块用参考图像特征图中的特征块代替,以此来表现图像局部之间的空间关系。分别从目标图像和生成图像获取聚合后的特征Fus、Fux,再将它们与通过自动语义分割模块得到的目标图像的语义分割图像Sseg和参考图像的语义分割图像Cseg相连接得到Mx、Ma。对Mx、Ma分别提取3×3×d大小的局部特征块,3×3是特征尺寸,d是特征图通道数。提取出的特征块列表分别由Φ(Mx)、Φ(Ma)表示。m是Φ(Ma)的个数。局部风格损失Llocal如下:
通过归一化互相关在ms个参考特征块中,每个特征块Φi(Mx)都能找到与之最匹配的特征块NN(i),其表示如下:
2)全局风格损失基于格拉姆矩阵表达特征,格拉姆矩阵计算生成图像和参考图像之间的特征图相关性,通过度量二者之间的差异来把握图像的全局风格。其中S是参考图像,格拉姆矩阵Gx[O]、Gs[S]分别由生成图像和参考图像聚合后的特征内积计算得到,全局风格损失Lglobal具体公式为:
步骤五:迭代更新初始图像
计算损失函数的梯度,根据误差反向传播算法求得总损失关于初始图像的梯度,然后通过基于梯度的L-BFGS优化方法对深度神经网络进行优化,迭代更新初始图像。
显然,以上所述为本发明的较佳实例,并不用于限定本发明的保护范围。凡在本发明的原则之内,任何熟悉本领域的技术人员作出修改、同等替换和改进,都应视为包含在本发明的保护范围内。
Claims (9)
1.一种结合马尔科夫场和格拉姆矩阵特征的医学类图像风格迁移方法,其特征在于,包括以下步骤:
1)将目标图像和参考图像调整为相同的尺寸大小,然后通过自动语义分割模块分别获取各自对应的语义分割映射;
2)利用计算目标图像的拉普拉斯矩阵,构建仿射损失函数,约束图像纹理结构;
3)设置一张与目标图像相同的初始化图像,将所述初始化图像、步骤1)中的参考图像和目标图像输入到深度神经网络中提取多个卷积层的深度特征,通过迭代聚合不同层提取的特征;
4)利用提取的深度特征构建总损失约束项,包括对内容纹理的约束和对风格的约束;
5)通过总损失函数的梯度,根据误差反向传播算法求得总损失关于步骤3)中初始化图像的梯度,然后通过基于梯度的优化方法对深度神经网络进行优化,迭代更新初始化图像从而得到生成图像。
2.根据权利要求1所述一种结合马尔科夫场和格拉姆矩阵特征的医学类图像风格迁移方法,其特征在于:步骤1)所述自动语义分割模块采用的是预训练的HRNetV2网络。
3.根据权利要求1所述一种结合马尔科夫场和格拉姆矩阵特征的医学类图像风格迁移方法,其特征在于:步骤2)所述约束图像纹理结构包括,在颜色空间中通过约束局部仿射来约束图像变换,在迁移过程中,对于每一个颜色块,都存在仿射函数将图像的RGB颜色空间值映射输入到其对应输出的位置。
6.根据权利要求1所述一种结合马尔科夫场和格拉姆矩阵特征的医学类图像风格迁移方法,其特征在于:步骤4)所述总损失约束项包括内容损失函数、局部风格损失函数、全局风格损失函数和仿射损失函数。
7.根据权利要求6所述一种结合马尔科夫场和格拉姆阵特征的医学类图像风格迁移方法,其特征在于:所述内容损失函数通过目标图像I和生成图像O的深度特征构造均方误差损失实现;
所述全局风格损失函数通过格拉姆矩阵计算生成图像和参考图像之间的特征图相关性,通过度量二者之间的差异来把握图像的全局风格;
所述局部风格损失函数引入马尔科夫随机场与深度神经网络结合,用特征映射来表现图像局部关系,通过特征块之间的匹配将原图像特征图中的特征块用参考图像特征图中的特征块代替,以此来表现图像局部之间的空间关系。
9.根据权利要求1所述一种结合马尔科夫场和格拉姆矩阵特征的医学类图像风格迁移方法,其特征在于:步骤5)所述基于梯度的优化方法为L-BFGS优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011418657.1A CN112541856B (zh) | 2020-12-07 | 2020-12-07 | 一种结合马尔科夫场和格拉姆矩阵特征的医学类图像风格迁移方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011418657.1A CN112541856B (zh) | 2020-12-07 | 2020-12-07 | 一种结合马尔科夫场和格拉姆矩阵特征的医学类图像风格迁移方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112541856A true CN112541856A (zh) | 2021-03-23 |
CN112541856B CN112541856B (zh) | 2022-05-03 |
Family
ID=75016324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011418657.1A Active CN112541856B (zh) | 2020-12-07 | 2020-12-07 | 一种结合马尔科夫场和格拉姆矩阵特征的医学类图像风格迁移方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541856B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343883A (zh) * | 2021-06-22 | 2021-09-03 | 长光卫星技术有限公司 | 基于改进HRNetV2网络的港口矿堆分割方法 |
CN115345773A (zh) * | 2022-08-15 | 2022-11-15 | 哈尔滨工业大学(深圳) | 基于生成对抗网络的妆容迁移方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0590925A1 (en) * | 1992-09-29 | 1994-04-06 | International Business Machines Corporation | Method of speech modelling and a speech recognizer |
CN107507139A (zh) * | 2017-07-28 | 2017-12-22 | 北京航空航天大学 | 基于Facet方向导数特征的样例双重稀疏图像修复方法 |
CN107578455A (zh) * | 2017-09-02 | 2018-01-12 | 西安电子科技大学 | 基于卷积神经网络的任意尺寸样本纹理合成方法 |
CN108805803A (zh) * | 2018-06-13 | 2018-11-13 | 衡阳师范学院 | 一种基于语义分割与深度卷积神经网络的肖像风格迁移方法 |
CN109166087A (zh) * | 2018-09-29 | 2019-01-08 | 上海联影医疗科技有限公司 | 医学图像的风格转换方法、装置、医学设备、影像系统及存储介质 |
CN109712081A (zh) * | 2018-11-14 | 2019-05-03 | 浙江大学 | 一种融合深度特征的语义风格迁移方法和系统 |
CN110111291A (zh) * | 2019-05-10 | 2019-08-09 | 衡阳师范学院 | 基于局部和全局优化融合图像卷积神经网络风格迁移方法 |
CN110458906A (zh) * | 2019-06-26 | 2019-11-15 | 重庆邮电大学 | 一种基于深度颜色迁移的医学图像着色方法 |
CN110503598A (zh) * | 2019-07-30 | 2019-11-26 | 西安理工大学 | 基于条件循环一致性生成对抗网络的字体风格迁移方法 |
CN111275686A (zh) * | 2020-01-20 | 2020-06-12 | 中山大学 | 用于人工神经网络训练的医学图像数据的生成方法及装置 |
CN111724299A (zh) * | 2020-05-21 | 2020-09-29 | 同济大学 | 一种基于深度学习的超现实主义绘画图像风格迁移方法 |
-
2020
- 2020-12-07 CN CN202011418657.1A patent/CN112541856B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0590925A1 (en) * | 1992-09-29 | 1994-04-06 | International Business Machines Corporation | Method of speech modelling and a speech recognizer |
CN107507139A (zh) * | 2017-07-28 | 2017-12-22 | 北京航空航天大学 | 基于Facet方向导数特征的样例双重稀疏图像修复方法 |
CN107578455A (zh) * | 2017-09-02 | 2018-01-12 | 西安电子科技大学 | 基于卷积神经网络的任意尺寸样本纹理合成方法 |
CN108805803A (zh) * | 2018-06-13 | 2018-11-13 | 衡阳师范学院 | 一种基于语义分割与深度卷积神经网络的肖像风格迁移方法 |
CN109166087A (zh) * | 2018-09-29 | 2019-01-08 | 上海联影医疗科技有限公司 | 医学图像的风格转换方法、装置、医学设备、影像系统及存储介质 |
CN109712081A (zh) * | 2018-11-14 | 2019-05-03 | 浙江大学 | 一种融合深度特征的语义风格迁移方法和系统 |
CN110111291A (zh) * | 2019-05-10 | 2019-08-09 | 衡阳师范学院 | 基于局部和全局优化融合图像卷积神经网络风格迁移方法 |
CN110458906A (zh) * | 2019-06-26 | 2019-11-15 | 重庆邮电大学 | 一种基于深度颜色迁移的医学图像着色方法 |
CN110503598A (zh) * | 2019-07-30 | 2019-11-26 | 西安理工大学 | 基于条件循环一致性生成对抗网络的字体风格迁移方法 |
CN111275686A (zh) * | 2020-01-20 | 2020-06-12 | 中山大学 | 用于人工神经网络训练的医学图像数据的生成方法及装置 |
CN111724299A (zh) * | 2020-05-21 | 2020-09-29 | 同济大学 | 一种基于深度学习的超现实主义绘画图像风格迁移方法 |
Non-Patent Citations (2)
Title |
---|
李慧 等: "深度卷积神经网络下的图像风格迁移算法", 《计算机工程与应用》 * |
茹超 等: "一种面向文本图像的颜色迁移算法", 《西北大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343883A (zh) * | 2021-06-22 | 2021-09-03 | 长光卫星技术有限公司 | 基于改进HRNetV2网络的港口矿堆分割方法 |
CN113343883B (zh) * | 2021-06-22 | 2022-06-07 | 长光卫星技术股份有限公司 | 基于改进HRNetV2网络的港口矿堆分割方法 |
CN115345773A (zh) * | 2022-08-15 | 2022-11-15 | 哈尔滨工业大学(深圳) | 基于生成对抗网络的妆容迁移方法 |
CN115345773B (zh) * | 2022-08-15 | 2023-02-17 | 哈尔滨工业大学(深圳) | 基于生成对抗网络的妆容迁移方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112541856B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107767413B (zh) | 一种基于卷积神经网络的图像深度估计方法 | |
CN107767328B (zh) | 基于少量样本生成的任意风格和内容的迁移方法和系统 | |
CN108875935B (zh) | 基于生成对抗网络的自然图像目标材质视觉特征映射方法 | |
US9483835B2 (en) | Depth value restoration method and system | |
CN110781895B (zh) | 一种基于卷积神经网络的图像语义分割方法 | |
CN110084318B (zh) | 一种结合卷积神经网络和梯度提升树的图像识别方法 | |
CN112614077B (zh) | 一种基于生成对抗网络的非监督低照度图像增强方法 | |
US20200364910A1 (en) | Line drawing generation | |
CN107066916B (zh) | 基于反卷积神经网络的场景语义分割方法 | |
CN110866896B (zh) | 基于k-means与水平集超像素分割的图像显著性目标检测方法 | |
CN111950432B (zh) | 一种基于区域风格一致性的妆容风格迁移方法及系统 | |
CN107133496B (zh) | 基于流形学习与闭环深度卷积双网络模型的基因特征提取方法 | |
CN109086777B (zh) | 一种基于全局像素特征的显著图精细化方法 | |
US10217265B2 (en) | Methods and systems of generating a parametric eye model | |
US10217275B2 (en) | Methods and systems of performing eye reconstruction using a parametric model | |
CN113240691A (zh) | 一种基于u型网络的医学图像分割方法 | |
CN112541856B (zh) | 一种结合马尔科夫场和格拉姆矩阵特征的医学类图像风格迁移方法 | |
CN109829353B (zh) | 一种基于空间约束的人脸图像风格化方法 | |
CN112446381B (zh) | 一种利用全卷积网络驱动的基于测地线活动轮廓的混合语义分割方法 | |
CN111339862B (zh) | 一种基于通道注意力机制的遥感场景分类方法及装置 | |
CN104732509A (zh) | 自适应图像分割方法和设备 | |
CN110070574A (zh) | 一种基于改进PSMNet的双目视觉立体匹配算法 | |
CN110276753A (zh) | 基于特征空间统计信息映射的目标自适应隐藏方法 | |
CN110288667B (zh) | 一种基于结构引导的图像纹理迁移方法 | |
Yuan et al. | Explore double-opponency and skin color for saliency detection |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240123 Address after: Room 801, 85 Kefeng Road, Huangpu District, Guangzhou City, Guangdong Province Patentee after: Guangzhou Dayu Chuangfu Technology Co.,Ltd. Country or region after: China Address before: 400065 Chongwen Road, Nanshan Street, Nanan District, Chongqing Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS Country or region before: China |