CN112767377B - 一种级联医学图像增强方法 - Google Patents
一种级联医学图像增强方法 Download PDFInfo
- Publication number
- CN112767377B CN112767377B CN202110113305.3A CN202110113305A CN112767377B CN 112767377 B CN112767377 B CN 112767377B CN 202110113305 A CN202110113305 A CN 202110113305A CN 112767377 B CN112767377 B CN 112767377B
- Authority
- CN
- China
- Prior art keywords
- image
- clear
- residual
- blood stain
- noise
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000008280 blood Substances 0.000 claims abstract description 83
- 210000004369 blood Anatomy 0.000 claims abstract description 82
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000013136 deep learning model Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000003062 neural network model Methods 0.000 abstract 1
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20081—Training; Learning
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种级联医学图像增强方法,包括以下步骤:清晰医学图像和随机噪声联合输入,用深度学习模型1处理联合输入的特征,得到带血污图像;用深度学习模型2处理生成的带血污的图像和纯血污原图像,判断两张图像是否相似;若不相似,则更新深度学习模型2的神经网络梯度;若相似则进入下一步;将带血污图像输入级联神经网络模型,输出最终清晰图像结果。本发明通过深度学习中的生成对抗网络来模拟生成血污图像,通过使用改进后的变分自编码网络来消除血污图像中的血污,解决了医学图像中血液污染影响视觉的问题,较好的模拟医学图像中的血污和消除医学图像中的血污,使医学图像的清晰度更高、信噪比峰值更大。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种级联医学图像增强方法。
背景技术
多年来,医学影像技术迅速发展,已经成为医疗诊断中不可或缺的技术。进入数字影像时代以来,海量数据的产生为医学影像未来的发展提供了更多的可能性。因此,如何对医学影像大数据做进一步分析和挖掘、如何从医学图像高维度数据中提取有价值的信息、如何将现代医学影像的发展与精准医疗紧密结合,成为医学影像未来发展的重要课题。近年来,随着计算能力的增强和数据的爆炸式增加,以深度学习为代表的人工智能(AI)技术取得了长足的进步,并开始应用于生产生活中的各个领域。
近年来,有诸多新研究着眼于如何利用深度学习技术来进一步优化医学影像的采集与重建策略,然而,都并未取得较好的研究成果,其医学图像的采集效率和图像质量都较低,不能模拟较为真实的血污图像,从而无法实现更准确的诊断与治疗。
发明内容
本发明的目的在于克服现有技术的不足,提供一种级联医学图像增强方法。
本发明的目的是通过以下技术方案来实现的:
一种级联医学图像增强方法,包括以下步骤:
步骤1:带血污图像的生成,清晰医学图像和随机噪声联合输入,用深度学习模型1处理联合输入的特征,得到带血污图像;
步骤2:带血污图像的判别,用深度学习模型2处理生成的带血污的图像和纯血污原图像,判断两张图像是否相似;若不相似,则更新深度学习模型2的神经网络梯度;若相似则跳转到步骤3;
步骤3:清晰图像的级联生成,清晰图像的级联生成分为三个阶段,在第一阶段,输入带血污图像生成血污残差图像,将血污残差图像与清晰医学图像相加得到清晰图像,以得到清晰图像作为带血污图像输入第二阶段;第二阶段和第三阶段重复第一阶段步骤,并以第三阶段输出的清晰图像作为最后的清晰图像结果。
进一步的,所述步骤1包括以下子步骤:
步骤101:准备训练样本,训练样本为清晰医学图像和纯血污原图像;
步骤102:神经网络设计,训练网络是神经网络池化层和卷积层组合成的生成网络;
步骤103:首先,对于清晰医学图像,进行两次卷积操作,具体为:图像特征维数为3×4n×4n的清晰医学图像Iclear一次卷积后得到维数为b×2n×2n的图像特征F2,F2再一次卷积后得到维数为a×n×n图像特征F1;其中a,b,n均为正整数;然后,生成维数为1×1×m的噪声N0,调整噪声的结构得到维数为a×n×n噪声N1,其中m=a×n×n;N1+F1作为输入进行一次上采样和卷积得到维数为b×2n×2n噪声N2;N2+F2作为输入进行一次上采样和卷积得到维数为3×4n×4n噪声N3,N3+Iclear得到维数为3×4n×4n带血污图像Inoise。
进一步的,所述图像特征维数表示为O×P×Q,其中O表示通道数,P表示长度,Q表示宽度,且O,P,Q均为正整数。
进一步的,所述步骤2包括以下子步骤:
步骤201:准备训练样本,训练样本为带血污图像和纯血污原图像;
步骤202:神经网络设计,判别网络是卷积神经网络;
步骤203:首先,对于生成网络生成的带血污图像,依次进行两次卷积操作和一次全连接操作,得到维度为1×1的特征F;对于纯血污原图像,进行与带血污图像相同的处理,得到维度为1×1的特征F';然后,计算F与F'损失,更新设计的神经网络的梯度。
进一步的,所述步骤3包括以下子步骤:
步骤301:准备训练样本,训练样本为带血污图像和清晰医学图像Iclear;
步骤302:神经网络设计,训练网络是生成网络VQ-VAE和残差网络的组合级联得到;
步骤303:带血污图像Inoise 1输入生成网络VQ-VAE,生成血污残差图像Iresidual 1,血污残差图像Iresidual 1与带血污图像Inoise 1相加得到清晰图像Iclear 1;计算清晰图像Iclear 1与清晰医学图像Iclear之间的损失loss1,清晰图像Iclear 1作为带血污图像Inoise 2再次输入生成网络VQ-VAE,生成血污残差图像Iresidual 2,血污残差图像Iresidual 2与带血污图像Inoise 2相加得到清晰图像Iclear 2;计算清晰图像Iclear 2与清晰医学图像Iclear之间的损失loss2;清晰图像Iclear 2作为带血污图像Inoise 3再次输入生成网络VQ-VAE,生成血污残差图像Iresidual 3,血污残差图像Iresidual 3与带血污图像Inoise 3相加得到最终的清晰图像Iclear 3;计算清晰图像Iclear 3与清晰医学图像Iclear之间的损失loss3;根据loss1+loss2+loss3的值更新级联神经网络。
进一步的,所述级联的次数为图像特征通过生成网络VQ-VAE的次数。
本发明的有益效果:针对医学图像中血液污染影响视觉的问题,采用了基于深度学习的医学图像血污模拟和医学图像血污消除的方法,较好的模拟医学图像中的血污和消除医学图像中的血污,使图像更加真实,并增强了图像的清晰度及信噪比峰值。
附图说明
图1是本发明的方法流程图。
图2是带血污图像的生成网络结构图。
图3是带血污图像的判别网络结构图。
图4是清晰图像的级联生成网络结构图。
图5是带血污图像的生成与判别的对比图。
图6是带血污图像中血污的级联消除流程的对比图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图说明本发明的具体实施方式。
本实施例中,如图1所示,一种级联医学图像增强方法,包括以下步骤:
步骤1:带血污图像的生成,清晰医学图像和随机噪声联合输入,用深度学习模型1处理联合输入的特征,得到带血污图像;
步骤2:带血污图像的判别,用深度学习模型2处理生成的带血污的图像和纯血污原图像,判断两张图像是否相似;若不相似,则更新深度学习模型2的神经网络梯度;若相似,则跳转到步骤3;
步骤3:清晰图像的级联生成,清晰图像的级联生成分为三个阶段,在第一阶段,输入带血污图像生成血污残差图像,将血污残差图像与清晰医学图像相加得到清晰图像,以得到清晰图像作为带血污图像输入第二阶段;第二阶段和第三阶段重复第一阶段步骤,并以第三阶段输出的清晰图像作为最后的清晰图像结果。
其中,所述步骤1包括以下子步骤:
步骤101:准备训练样本,训练样本为清晰医学图像和纯血污原图像;
步骤102:神经网络设计,训练网络是神经网络池化层和卷积层组合成的生成网络;其网络结构如图2所示;
步骤103:首先,对于清晰医学图像,进行两次卷积操作,具体为:图像特征维数为3×4n×4n的清晰医学图像Iclear一次卷积后得到维数为b×2n×2n的图像特征F2,F2再一次卷积后得到维数为a×n×n图像特征F1;其中a,b,n均为正整数;然后,生成维数为1×1×m的噪声N0,调整噪声的结构得到维数为a×n×n噪声N1,其中m=a×n×n;N1+F1作为输入进行一次上采样和卷积得到维数为b×2n×2n噪声N2;N2+F2作为输入进行一次上采样和卷积得到维数为3×4n×4n噪声N3,N3+Iclear得到维数为3×4n×4n带血污图像Inoise。
其中,所述图像特征维数表示为O×P×Q,其中O表示通道数,P表示长度,Q表示宽度,且O,P,Q均为正整数。
其中,所述步骤2包括以下子步骤:
步骤201:准备训练样本,训练样本为带血污图像和纯血污原图像;
步骤202:神经网络设计,判别网络是卷积神经网络;其网络结构图如图3所示;
步骤203:首先,对于生成网络生成的带血污图像,依次进行两次卷积操作和一次全连接操作,得到维度为1×1的特征F;对于纯血污原图像,进行与带血污图像相同的处理,得到维度为1×1的特征F';然后,计算F与F'损失;更新设计的神经网络的梯度;其带血污图像的生成与判别的对比结果如图5所示;
其中,所述步骤3包括以下子步骤:
步骤301:准备训练样本,训练样本为带血污图像和清晰医学图像Iclear;
步骤302:神经网络设计,训练网络是生成网络VQ-VAE和残差网络的组合三次级联得到;其网络结构图如图4所示;
步骤303:带血污图像Inoise 1输入生成网络VQ-VAE,生成血污残差图像Iresidual 1,血污残差图像Iresidual 1与带血污图像Inoise 1相加得到清晰图像Iclear 1;计算清晰图像Iclear 1与清晰医学图像Iclear之间的损失loss1;清晰图像Iclear 1作为带血污图像Inoise 2再次输入生成网络VQ-VAE,生成血污残差图像Iresidual 2,血污残差图像Iresidual 2与带血污图像Inoise 2相加得到清晰图像Iclear 2,计算清晰图像Iclear 2与清晰医学图像Iclear之间的损失loss2;清晰图像Iclear 2作为带血污图像Inoise 3再次输入生成网络VQ-VAE,生成血污残差图像Iresidual 3,血污残差图像Iresidual 3与带血污图像Inoise 3相加得到最终的清晰图像Iclear 3,计算清晰图像Iclear 3与清晰医学图像Iclear之间的损失loss3;根据loss1+loss2+loss3的值更新所述本步骤中的级联神经网络;其带血污图像中血污的级联消除流程的对比图如图6所示。
其中,所述VQ-VAE即离散变分矢量自编码。
其中,相加运算就是两幅图像对应像素的灰度值或彩色分量进行相加,主要有两种用途,一种是消除图像的随机噪声;另一种是做特效,把多幅图像叠加在一起,再进一步进行处理。
其中,通常来将,相加的图像的大小和尺寸是相同的。
本发明中所述带血污图像的生成,清晰医学图像和随机噪声联合输入,通过将清晰医学图像的特征输入生成网络,生成的血污图像比直接用随机噪声生成的血污图像更加真实。所述清晰图像的级联生成,比使用所述清晰图像的生成的方法生成的图像清晰度更高、信噪比峰值更大。
本发明通过深度学习中的生成对抗网络来模拟生成血污图像,通过改进的变分自编码网络来消除血污图像中的血污,使医学血污图像更加真实,解决了血液污染影响视觉的问题,其最终得到的医学图像清晰度更高、信噪比峰值更大。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种级联医学图像增强方法,其特征在于,包括以下步骤:
步骤1:带血污图像的生成,清晰医学图像和随机噪声联合输入,用深度学习模型1处理联合输入的图像特征,得到带血污图像;
步骤2:带血污图像的判别,用深度学习模型2处理生成的带血污的图像和纯血污原图像,判断两张图像是否相似;若不相似,则更新深度学习模型2的神经网络梯度;若相似则跳转到步骤3;
步骤3:清晰图像的级联生成,清晰图像的级联生成分为三个阶段,在第一阶段,带血污图像输入生成网络VQ-VAE,生成血污残差图像,将血污残差图像与清晰医学图像相加得到清晰图像,以得到清晰图像作为带血污图像输入第二阶段;第二阶段和第三阶段重复第一阶段步骤,并以第三阶段输出的清晰图像作为最后的清晰图像结果。
2.根据权利要求1所述的一种级联医学图像增强方法,其特征在于,所述步骤1包括以下子步骤:
步骤101:准备训练样本,训练样本为清晰医学图像和纯血污原图像;
步骤102:神经网络设计,训练网络是神经网络池化层和卷积层组合成的生成网络;
步骤103:首先,对于清晰医学图像,进行两次卷积操作,具体为:图像特征维数为3×4n×4n的清晰医学图像Iclear一次卷积后得到维数为b×2n×2n的图像特征F2,F2再一次卷积后得到维数为a×n×n图像特征F1;其中a,b,n均为正整数;然后,生成维数为1×1×m的噪声N0,调整噪声的结构得到维数为a×n×n噪声N1,其中m=a×n×n;N1+F1作为输入进行一次上采样和卷积得到维数为b×2n×2n噪声N2;N2+F2作为输入进行一次上采样和卷积得到维数为3×4n×4n噪声N3,N3+Iclear得到维数为3×4n×4n带血污图像Inoise。
3.根据权利要求2所述的一种级联医学图像增强方法,其特征在于,所述图像特征维数表示为O×P×Q,其中O表示通道数,P表示长度,Q表示宽度,且O,P,Q均为正整数。
4.根据权利要求1所述的一种级联医学图像增强方法,其特征在于,所述步骤2包括以下子步骤:
步骤201:准备训练样本,训练样本为带血污图像和纯血污原图像;
步骤202:神经网络设计,判别网络是卷积神经网络;
步骤203:首先,对于生成网络生成的带血污图像,依次进行两次卷积操作和一次全连接操作,得到维度为1×1的特征F;对于纯血污原图像,进行与带血污图像相同的处理,得到维度为1×1的特征F';然后,计算F与F'损失;更新设计的神经网络的梯度。
5.根据权利要求1所述的一种级联医学图像增强方法,其特征在于,所述步骤3包括以下子步骤:
步骤301:准备训练样本,训练样本为带血污图像和清晰医学图像Iclear;
步骤302:神经网络设计,训练网络是生成网络VQ-VAE和残差网络的组合级联得到;
步骤303:带血污图像Inoise 1输入生成网络VQ-VAE,生成血污残差图像Iresidual 1,血污残差图像Iresidual 1与带血污图像Inoise 1相加得到清晰图像Iclear 1;计算清晰图像Iclear 1与清晰医学图像Iclear之间的损失loss1,清晰图像Iclear 1作为带血污图像Inoise 2再次输入生成网络VQ-VAE,生成血污残差图像Iresidual 2,血污残差图像Iresidual 2与带血污图像Inoise 2相加得到清晰图像Iclear 2;计算清晰图像Iclear 2与清晰医学图像Iclear之间的损失loss2;清晰图像Iclear 2作为带血污图像Inoise 3再次输入生成网络VQ-VAE,生成血污残差图像Iresidual 3,血污残差图像Iresidual 3与带血污图像Inoise 3相加得到最终的清晰图像Iclear 3;计算清晰图像Iclear 3与清晰医学图像Iclear之间的损失loss3;根据loss1+loss2+loss3的值更新级联神经网络。
6.根据权利要求1所述的一种级联医学图像增强方法,其特征在于,所述级联的次数为图像特征通过生成网络VQ-VAE的次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110113305.3A CN112767377B (zh) | 2021-01-27 | 2021-01-27 | 一种级联医学图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110113305.3A CN112767377B (zh) | 2021-01-27 | 2021-01-27 | 一种级联医学图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112767377A CN112767377A (zh) | 2021-05-07 |
CN112767377B true CN112767377B (zh) | 2022-07-05 |
Family
ID=75706246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110113305.3A Active CN112767377B (zh) | 2021-01-27 | 2021-01-27 | 一种级联医学图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767377B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019091181A1 (zh) * | 2017-11-09 | 2019-05-16 | 京东方科技集团股份有限公司 | 图像处理方法、处理装置和处理设备 |
CN110223259A (zh) * | 2019-06-14 | 2019-09-10 | 华北电力大学(保定) | 一种基于生成式对抗网络的道路交通模糊图像增强方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200410344A1 (en) * | 2018-02-09 | 2020-12-31 | Google Llc | Fast decoding in sequence models using discrete latent variables |
CN108226892B (zh) * | 2018-03-27 | 2021-09-28 | 天津大学 | 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 |
US20200242771A1 (en) * | 2019-01-25 | 2020-07-30 | Nvidia Corporation | Semantic image synthesis for generating substantially photorealistic images using neural networks |
CN109978778B (zh) * | 2019-03-06 | 2020-11-13 | 浙江工业大学 | 基于残差学习的卷积神经网络医学ct图像去噪方法 |
CN110164463B (zh) * | 2019-05-23 | 2021-09-10 | 北京达佳互联信息技术有限公司 | 一种语音转换方法、装置、电子设备及存储介质 |
CN110223254A (zh) * | 2019-06-10 | 2019-09-10 | 大连民族大学 | 一种基于对抗生成网络的图像去噪方法 |
CN112233199B (zh) * | 2020-09-23 | 2024-02-06 | 中国人民解放军战略支援部队信息工程大学 | 基于离散表征和条件自回归的fMRI视觉重构方法 |
-
2021
- 2021-01-27 CN CN202110113305.3A patent/CN112767377B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019091181A1 (zh) * | 2017-11-09 | 2019-05-16 | 京东方科技集团股份有限公司 | 图像处理方法、处理装置和处理设备 |
CN110223259A (zh) * | 2019-06-14 | 2019-09-10 | 华北电力大学(保定) | 一种基于生成式对抗网络的道路交通模糊图像增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112767377A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Connecting image denoising and high-level vision tasks via deep learning | |
CN113159051B (zh) | 一种基于边缘解耦的遥感图像轻量化语义分割方法 | |
Hu et al. | Single image super-resolution via cascaded multi-scale cross network | |
CN106228512A (zh) | 基于学习率自适应的卷积神经网络图像超分辨率重建方法 | |
CN111275107A (zh) | 一种基于迁移学习的多标签场景图像分类方法及装置 | |
Yan et al. | SRGAT: Single image super-resolution with graph attention network | |
CN113344188A (zh) | 基于通道注意力模块的轻量级神经网络模型 | |
CN113865859B (zh) | 多尺度多源异构信息融合的齿轮箱状态故障诊断方法 | |
Shen et al. | Adaptive dynamic filtering network for image denoising | |
CN111062329B (zh) | 基于增广网络的无监督行人重识别方法 | |
CN111861886B (zh) | 一种基于多尺度反馈网络的图像超分辨率重建方法 | |
CN111861906A (zh) | 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法 | |
Ma et al. | DBDnet: A deep boosting strategy for image denoising | |
Wei et al. | Deep unfolding with normalizing flow priors for inverse problems | |
CN113222998B (zh) | 基于自监督低秩网络的半监督图像语义分割方法及装置 | |
CN109919232B (zh) | 基于卷积神经网络和非局部连接网络的图像分类方法 | |
Esmaeilzehi et al. | SRNSSI: A deep light-weight network for single image super resolution using spatial and spectral information | |
CN116310693A (zh) | 基于边缘特征融合和高阶空间交互的伪装目标检测方法 | |
CN113837959A (zh) | 图像去噪模型训练方法、图像去噪方法及系统 | |
Chen et al. | SSL++: Improving self-supervised learning by mitigating the proxy task-specificity problem | |
Jiang et al. | Toward pixel-level precision for binary super-resolution with mixed binary representation | |
CN115471665A (zh) | 基于三分图视觉Transformer语义信息解码器的抠图方法与装置 | |
CN113379606B (zh) | 一种基于预训练生成模型的人脸超分辨方法 | |
CN112767377B (zh) | 一种级联医学图像增强方法 | |
CN112784831A (zh) | 融合多层特征增强注意力机制的文字识别方法 |
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 |