CN113724214B - 一种基于神经网络的图像处理方法及装置 - Google Patents

一种基于神经网络的图像处理方法及装置 Download PDF

Info

Publication number
CN113724214B
CN113724214B CN202110969143.3A CN202110969143A CN113724214B CN 113724214 B CN113724214 B CN 113724214B CN 202110969143 A CN202110969143 A CN 202110969143A CN 113724214 B CN113724214 B CN 113724214B
Authority
CN
China
Prior art keywords
image
detected
normal
images
abnormal
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
Application number
CN202110969143.3A
Other languages
English (en)
Other versions
CN113724214A (zh
Inventor
区初斌
安林
叶重荣
彭勇
韦喜飞
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.)
Weizhi Medical Technology Foshan Co ltd
Original Assignee
Weizhi Medical Technology Foshan Co ltd
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 Weizhi Medical Technology Foshan Co ltd filed Critical Weizhi Medical Technology Foshan Co ltd
Priority to CN202110969143.3A priority Critical patent/CN113724214B/zh
Publication of CN113724214A publication Critical patent/CN113724214A/zh
Application granted granted Critical
Publication of CN113724214B publication Critical patent/CN113724214B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
    • 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
    • G06T2207/30041—Eye; Retina; Ophthalmic

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于神经网络的图像处理方法及装置，该方法包括：将图像扫描集中任一待检测图像输入至第一神经网络模型，得到待检测图像的第一特征向量，其中，第一神经网络模型是基于正常图像样本训练得到的；根据待检测图像的第一特征向量，以及与待检测图像对应的至少一张正常图像的第二特征向量，确定出待检测图像的图像异常结果；其中，图像异常结果用于表示待检测图像中的所述目标特征的异常情况；第二特征向量是将正常图像输入至所述第一神经网络模型处理得到的特征向量。可见，本发明能够提供一种基于神经网络的图像处理方案，能够自动高效地识别图像异常结果和异常特征，有效提高图像检测的速度和准确度。

Description

一种基于神经网络的图像处理方法及装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于神经网络的图像处理方法及装置。
背景技术
随着计算机和医疗技术的快速发展，OCT(光学相干层析成像)技术已被广泛应用于眼底疾病的诊断设备中，对眼科疾病的检测和治疗有着重要意义。OCT属于一种高灵敏度、高分辨率、高速度、无入侵的断层扫描成像方式，利用光的相干性的断层扫描成像方式，每个断层扫描(截面图)被称为b-scan，临床上对异常部位的检测主要以b-scan的图像作为依据。
在对OCT截面图(如OCT眼底图像)进行异常检测的实际应用中，长期以来普遍采用人工筛选的方式对所采集的图片或影像中的异常特征进行识别，识别效率较低且识别准确率低。
因此，提出一种自动化的图像异常特征识别方法以提高识别效率及准确率显得尤为重要。
发明内容
本发明提供了一种基于神经网络的图像处理方法及装置，能够提供一种基于神经网络的图像处理方案，能够自动高效地识别图像异常结果和异常特征，有效提高图像检测的速度和准确度，同时能够提供多维度的分析方案，有利于提升图像处理的适用性和通用性，进一步提高图像的异常检测效率和精度。
为了解决上述技术问题，本发明第一方面公开了一种基于神经网络的图像处理方法所述方法包括：
将图像扫描集中任一待检测图像输入至第一神经网络模型，得到所述待检测图像的第一特征向量，其中，所述第一神经网络模型是基于正常图像样本训练得到的，所述正常图像样本中每个正常图像中的目标特征均为正常特征；
根据所述待检测图像的第一特征向量，以及与所述待检测图像对应的至少一张正常图像的第二特征向量，确定出所述待检测图像的图像异常结果；
其中，每张所述正常图像中的所述目标特征为正常特征；所述图像异常结果用于表示所述待检测图像中的所述目标特征的异常情况；所述第二特征向量是将所述正常图像输入至所述第一神经网络模型处理得到的特征向量。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述待检测图像的第一特征向量，以及与所述待检测图像对应的至少一张正常图像的第二特征向量，确定出所述待检测图像的图像异常结果，包括：
根据所述待检测图像的第一特征向量，以及与所述待检测图像对应的至少一张目标正常图像的第二特征向量，计算所述待检测图像对应的目标异常度；
将所述待检测图像对应的目标异常度，确定为所述待检测图像的图像异常结果；或，
将所述待检测图像对应的目标异常度进行预处理，得到预处理结果；
将所述预处理结果确定所述待检测图像的图像异常结果。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述待检测图像的第一特征向量，以及与所述待检测图像对应的至少一张正常图像的第二特征向量，计算所述待检测图像对应的目标异常度，包括：
将所述待检测图像的第一特征向量与所述待检测图像对应的至少一张目标正常图像的第二特征向量进行差异比对，得到差异度值集合，所述差异度值集合包括所述待检测图像与每张所述目标正常图像的差异度值；
根据所述差异度值集合包括的所有差异度值，确定所述差异度值集合的差异度统计值，其中，所述差异度统计值包括均值、极值、中间值中的一种；
将所述差异度统计值确定为所述待检测图像对应的目标异常度。
作为一种可选的实施方式，在本发明第一方面中，所述将所述待检测图像的第一特征向量与所述待检测图像对应的至少一张目标正常图像的第二特征向量进行差异比对，得到差异度值集合，所述差异度值集合包括所述待检测图像与每张所述目标正常图像的差异度值，包括：
计算所述待检测图像的第一特征向量与所述待检测图像对应的至少一张目标正常图像的第二特征向量之间的向量夹角，得到向量夹角集合，所述向量夹角集合包括所述待检测图像与每张所述目标正常图像的向量夹角；将所述向量夹角集合确定为所述待检测图像的差异度值；或者，
计算所述待检测图像的第一特征向量与所述待检测图像对应的至少一张目标正常图像的第二特征向量之间的向量距离，得到向量距离集合，所述向量距离集合包括所述待检测图像与每张所述目标正常图像的向量距离；将所述向量距离集合确定为所述待检测图像的差异度值。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述待检测图像的第一特征向量，以及与所述待检测图像对应的至少一张目标正常图像的第二特征向量，计算所述待检测图像对应的目标异常度，包括：
根据所述待检测图像对应的至少一张目标正常图像的第二特征向量，计算所有所述目标正常图像的第二特征向量对应的均值与方差值，得到所有所述正常图像对应的第一分布向量；
计算所述待检测图像的第一特征向量与所述第一分布向量之间的第一分布向量距离，并将所述第一分布向量距离确定为所述待检测图像对应的目标异常度，其中，计算所述第一分布向量距离的公式为；
L＝(f-μ)Tσ-1(f-μ)；
其中，L为所述第一分布向量距离，f为所述待检测图像对应的第一特征向量，μ为所有所述目标正常图像的第二特征向量对应的均值，σ为所有所述目标正常图像的第二特征向量对应的方差值。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述待检测图像的第一特征向量，以及与所述待检测图像对应的至少一张目标正常图像的第二特征向量，计算所述待检测图像对应的目标异常度，包括：
从预先确定出的正常图像集合中获取所述待检测图像对应的第一类正常图像，所述第一类正常图像包括所述待检测图像对应的C个近邻正常图像，其中，每个所述近邻正常图像的第二特征向量与所述待检测图像的第一特征向量之间的向量距离小于预设距离阈值；
计算所述待检测图像的第一特征向量和C个所述近邻正常图像的第二特征向量的第一方差值；
对于从所述正常图像集合中随机确定出的D个第二类正常图像中的每个目标正常图像，计算该目标正常图像的第二特征向量和C个所述近邻正常图像的第二特征向量的第二方差值，得到该目标正常图像对应的第二方差值；
根据所述第二类正常图像中所有目标正常图像对应的第二方差值，计算所述第二类正常图像中所有目标正常图像对应的平均方差值；
根据所述第一方差值以及所述平均方差值，确定所述待检测图像对应的目标异常度。
作为一种可选的实施方式，在本发明第一方面中，所述图像扫描集中的所有所述待检测图像是由图像扫描设备基于预设图像扫描物理间距扫描得到的，相邻两个所述待检测图像之间的物理间距等于所述预设图像扫描物理间距；每张所述待检测图像的图像异常结果包括该待检测图像的图像异常值；
在所述根据所述待检测图像的第一特征向量，以及与所述待检测图像对应的至少一张正常图像的第二特征向量，确定出所述待检测图像的图像异常值之后，所述方法还包括：
根据确定出的所有所述待检测图像的图像异常值，将所述图像扫描集中满足预设异常条件的待检测图像确定为所述图像扫描集的异常图像；
其中，所述根据确定出的所有所述待检测图像的图像异常值，将所述图像扫描集中满足预设异常条件的待检测图像确定为异常图像，包括：
按照所述图像扫描集中所有所述待检测图像的扫描顺序以及预先确定出的数量，将所述图像扫描集中待检测图像划分为至少一个图像集合，不同所述图像集合中的图像均不重叠且同一所述图像集合中图像的扫描顺序连续；
对于每个所述图像集合，判断该图像集合中是否存在图像异常值大于等于预设图像异常值的至少一个图像，当判断结果为是时，从该图像集合中选取图像异常值最大的待检测图像，作为该图像集合对应的异常图像；
将所有所述图像集合对应的异常图像确定为所述图像扫描集的异常图像。
作为一种可选的实施方式，在本发明第一方面中，所述根据确定出的所有所述待检测图像的图像异常值，将所述图像扫描集中满足预设异常条件的待检测图像确定为所述图像扫描集的异常图像之后，所述方法还包括：
针对所述图像扫描集的任一异常图像，对所述异常图像进行异常定位，得到所述异常图像对应的异常标注图像；
其中，所述对所述异常图像进行异常定位，得到所述异常图像对应的异常标注图像，包括：
将所述异常图像输入至第二神经网络模型，得到所述异常图像对应的第一特征图，将所述第一特征图中每一像素位置对应的特征值确定为所述第一特征图中每一像素位置对应的第三特征向量，其中，所述第一特征图包括K个通道；
确定所述异常图像对应的第三类正常图像，将所述第三类正常图像中的所有正常图像输入至所述第二神经网络模型，得到所述第三类正常图像中每个正常图像对应的第二特征图，其中，所述第三类正常图像包括的正常图像的所述目标特征为正常特征，每个所述第二特征图包括K个通道；
逐通道计算所有所述第二特征图中每个像素位置对应的特征值的均值和方差值，得到所有所述第二特征图对应的每个像素位置的平均特征值；将所有所述第二特征图中每个像素位置的平均特征值确定为所有所述第二特征图的每个像素位置的第二分布向量；
从所有所述第二分布向量中分别确定每个所述第三特征向量的匹配分布向量，每个所述第三特征向量的匹配分布向量对应的像素位置与该第三特征向量对应的像素位置相匹配；
分别计算每个所述第三特征向量与其匹配分布向量之间的第二分布向量距离，得到第二分布向量距离集合；
对所述第二分布向量距离集合中的所有第二分布向量距离进行归一化操作，得到所述第二分布向量距离集合中每个第二分布向量距离对应的归一化值；
根据所述第二分布向量距离集合中每个第二分布向量距离对应的归一化值对所述异常图像进行异常标注。
本发明第二方面公开了一种基于神经网络的图像处理装置，所述装置包括：
第一确定模块，用于将图像扫描集中任一待检测图像输入至第一神经网络模型，得到所述待检测图像的第一特征向量，其中，所述第一神经网络模型是基于正常图像样本训练得到的，所述正常图像样本中每个正常图像中的目标特征均为正常特征；
第二确定模块，用于根据所述待检测图像的第一特征向量，以及与所述待检测图像对应的至少一张正常图像的第二特征向量，确定出所述待检测图像的图像异常结果；
其中，每张所述正常图像中的所述目标特征为正常特征；所述图像异常结果用于表示所述待检测图像中的所述目标特征的异常情况；所述第二特征向量是将所述正常图像输入至所述第一神经网络模型处理得到的特征向量。
作为一种可选的实施方式，在本发明第二方面中，所述第二确定模块，包括：
计算子模块，用于根据所述待检测图像的第一特征向量，以及与所述待检测图像对应的至少一张目标正常图像的第二特征向量，计算所述待检测图像对应的目标异常度；
确定子模块，用于将所述待检测图像对应的目标异常度，确定为所述待检测图像的图像异常结果；或，
用于根据所述待检测图像对应的目标异常度，确定所述待检测图像的图像异常结果。
作为一种可选的实施方式，在本发明第二方面中，所述计算子模块具体用于；
将所述待检测图像的第一特征向量与所述待检测图像对应的至少一张目标正常图像的第二特征向量进行差异比对，得到差异度值集合，所述差异度值集合包括所述待检测图像与每张所述目标正常图像的差异度值；
根据所述差异度值集合包括的所有差异度值，确定所述差异度值集合的差异度统计值，其中，所述差异度统计值包括均值、极值、中间值中的一种；
将所述差异度统计值确定为所述待检测图像对应的目标异常度。
作为一种可选的实施方式，在本发明第二方面中，所述计算子模块将所述待检测图像的第一特征向量与所述待检测图像对应的至少一张目标正常图像的第二特征向量进行差异比对，得到差异度值集合，所述差异度值集合包括所述待检测图像与每张所述目标正常图像的差异度值的具体方式为：
计算所述待检测图像的第一特征向量与所述待检测图像对应的至少一张目标正常图像的第二特征向量之间的向量夹角，得到向量夹角集合，所述向量夹角集合包括所述待检测图像与每张所述目标正常图像的向量夹角；将所述向量夹角集合确定为所述待检测图像的差异度值；或者，
计算所述待检测图像的第一特征向量与所述待检测图像对应的至少一张目标正常图像的第二特征向量之间的向量距离，得到向量距离集合，所述向量距离集合包括所述待检测图像与每张所述目标正常图像的向量距离；将所述向量距离集合确定为所述待检测图像的差异度值。
作为一种可选的实施方式，在本发明第二方面中，所述计算子模块具体用于；
根据所述待检测图像对应的至少一张目标正常图像的第二特征向量，计算所有所述目标正常图像的第二特征向量对应的均值与方差值，得到所有所述正常图像对应的第一分布向量；
计算所述待检测图像的第一特征向量与所述第一分布向量之间的第一分布向量距离，并将所述第一分布向量距离确定为所述待检测图像对应的目标异常度，其中，计算所述第一分布向量距离的公式为；
L＝(f-μ)Tσ-1(f-μ)；
其中，L为所述第一分布向量距离，f为所述待检测图像对应的第一特征向量，μ为所有所述目标正常图像的第二特征向量对应的均值，σ为所有所述目标正常图像的第二特征向量对应的方差值。
作为一种可选的实施方式，在本发明第二方面中，所述计算子模块具体用于；
从预先确定出的正常图像集合中获取所述待检测图像对应的第一类正常图像，所述第一类正常图像包括所述待检测图像对应的C个近邻正常图像，其中，每个所述近邻正常图像的第二特征向量与所述待检测图像的第一特征向量之间的向量距离小于预设距离阈值；
计算所述待检测图像的第一特征向量和C个所述近邻正常图像的第二特征向量的第一方差值；
对于从所述正常图像集合中随机确定出的D个第二类正常图像中的每个目标正常图像，计算该目标正常图像的第二特征向量和C个所述近邻正常图像的第二特征向量的第二方差值，得到该目标正常图像对应的第二方差值；
根据所述第二类正常图像中所有目标正常图像对应的第二方差值，计算所述第二类正常图像中所有目标正常图像对应的平均方差值；
根据所述第一方差值以及所述平均方差值，确定所述待检测图像对应的目标异常度。
作为一种可选的实施方式，在本发明第二方面中，所述图像扫描集中的所有所述待检测图像是由图像扫描设备基于预设图像扫描物理间距扫描得到的，相邻两个所述待检测图像之间的物理间距等于所述预设图像扫描物理间距；每张所述待检测图像的图像异常结果包括该待检测图像的图像异常值；
所述装置还包括：
第三确定模块，用于根据确定出的所有所述待检测图像的图像异常值，将所述图像扫描集中满足预设异常条件的待检测图像确定为所述图像扫描集的异常图像；
所述第三确定模块，具体用于：
按照所述图像扫描集中所有所述待检测图像的扫描顺序以及预先确定出的数量，将所述图像扫描集中待检测图像划分为至少一个图像集合，不同所述图像集合中的图像均不重叠且同一所述图像集合中图像的扫描顺序连续；
对于每个所述图像集合，判断该图像集合中是否存在图像异常值大于等于预设图像异常值的至少一个图像，当判断结果为是时，从该图像集合中选取图像异常值最大的待检测图像，作为该图像集合对应的异常图像；
将所有所述图像集合对应的异常图像确定为所述图像扫描集的异常图像。
作为一种可选的实施方式，在本发明第二方面中，所述装置还包括：
第四确定模块，用于在所述第三确定模块确定出所述图像扫描集的异常图像之后，针对所述图像扫描集的任一异常图像，对所述异常图像进行异常定位，得到所述异常图像对应的异常标注图像；
其中，所述对所述异常图像进行异常定位，得到所述异常图像对应的异常标注图像，包括：
将所述异常图像输入至第二神经网络模型，得到所述异常图像对应的第一特征图，将所述第一特征图中每一像素位置对应的特征值确定为所述第一特征图中每一像素位置对应的第三特征向量，其中，所述第一特征图包括K个通道；
确定所述异常图像对应的第三类正常图像，将所述第三类正常图像中的所有正常图像输入至所述第二神经网络模型，得到所述第三类正常图像中每个正常图像对应的第二特征图，其中，所述第三类正常图像包括的正常图像的所述目标特征为正常特征，每个所述第二特征图包括K个通道；
逐通道计算所有所述第二特征图中每个像素位置对应的特征值的均值和方差值，得到所有所述第二特征图对应的每个像素位置的平均特征值；将所有所述第二特征图中每个像素位置的平均特征值确定为所有所述第二特征图的每个像素位置的第二分布向量；
从所有所述第二分布向量中分别确定每个所述第三特征向量的匹配分布向量，每个所述第三特征向量的匹配分布向量对应的像素位置与该第三特征向量对应的像素位置相匹配；
分别计算每个所述第三特征向量与其匹配分布向量之间的第二分布向量距离，得到第二分布向量距离集合；
对所述第二分布向量距离集合中的所有第二分布向量距离进行归一化操作，得到所述第二分布向量距离集合中每个第二分布向量距离对应的归一化值；
根据所述第二分布向量距离集合中每个第二分布向量距离对应的归一化值对所述异常图像进行异常标注。
本发明第三方面公开了另一种基于神经网络的图像处理，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的任意一种基于神经网络的图像处理方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的任意一种基于神经网络的图像处理方法中的部分或全部步骤。
与现有技术相比，本发明具有以下有益效果：
本发明中，将图像扫描集中任一待检测图像输入至第一神经网络模型，得到待检测图像的第一特征向量，其中，第一神经网络模型是基于正常图像样本训练得到的；根据待检测图像的第一特征向量，以及与待检测图像对应的至少一张正常图像的第二特征向量，确定出待检测图像的图像异常结果；其中，图像异常结果用于表示待检测图像中的所述目标特征的异常情况；第二特征向量是将正常图像输入至所述第一神经网络模型处理得到的特征向量。可见，本发明能够提供一种基于神经网络的图像处理方案，能够自动高效地识别图像异常结果和异常特征，有效提高图像检测的速度和准确度
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于神经网络的图像处理方法的流程示意图；
图2是本发明实施例公开的另一种基于神经网络的图像处理方法的流程示意图；
图3是本发明实施例公开的一种基于神经网络的图像处理装置的结构示意图；
图4是本发明实施例公开的另一种基于神经网络的图像处理装置的结构示意图；
图5是本发明实施例公开的又一种基于神经网络的图像处理装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种方法及装置，该基于神经网络的图像处理方法及装置能够提供一种基于神经网络的图像处理方案，能够自动高效地识别图像异常结果和异常特征，有效提高图像检测的速度和准确度。本发明一个或多个实施例可以应用于任意图像异常检测，包括眼底成像的B-Scan图像的异常检测，也包括视频中图像帧之间的图像检测等，本发明实施例不做限定。
实施例一
请参阅图1，图1是本发明实施例公开的一种基于神经网络的图像处理方法的流程示意图。其中，图1所描述的方法可以应用于基于神经网络的图像处理装置中，该基于神经网络的图像处理装置可以是一个独立的装置，也可以集成在图像处理设备中，本发明实施例不做限定。如图1所示，该基于神经网络的图像处理方法可以包括以下操作：
101、将图像扫描集中任一待检测图像输入至第一神经网络模型，得到待检测图像的第一特征向量。
本发明实施例中，图像扫描集是一组连续或非连续采样获得的图像集合，比如对眼底视网膜进行间隔连续扫描，得到整个眼底的B-Scan扫描图集合。其中包含的图像均为待检测图像，可以是一张，也可以是多张，本发明实施例不做限定。第一神经网络模型是基于正常图像样本预先训练得到的，训练的方法可以包括有监督训练、自监督训练或无监督训练等，正常图像样本中每个正常图像中的目标特征均为正常特征。
需要说明的是，本发明中的第一神经网络模型可以为基于卷积的卷积神经网络，通过一系列的卷积层后，最后通过全局池化和全连接层，得到一固定长度的特征向量。除此之外，神经网络的结构也可以基于最新的Transformer结构，Transformer结构中首先对输入图片进行分块，然后线性变换展平为一维的特征向量，然后通过数个包含Transformer模块(通常由自注意力模块、归一化和多层感知机或全连接层组成)，对特征向量进行处理，最后的输出同样也为一固定长度的特征向量。
102、根据待检测图像的第一特征向量，以及与待检测图像对应的至少一张正常图像的第二特征向量，确定出待检测图像的图像异常结果。
本发明实施例中，与待检测图像对应的正常图像同样也是目标特征为正常特征的图像，在与待检测图像的对应关系可以是采样位置对应，也可以是采用区域对应，还可以是采样时间对应，本发明实施例不做限定。例如，在眼底图像扫描过程中，待检测图像是在距离基准位置100um的位置对待检测眼底扫描采样到的，则选取的正常图像同样可以是在距离基准位置100um的位置对正常眼底扫描采样到的正常图像。此外，第二特征向量是将正常图像输入至第一神经网络模型处理得到的特征向量，其可以是预先确定出的，也可以是在将待检测图像输入至第一神经网络模型处理过程中，根据待检测图像实时筛选确定出的，本发明实施例不做限定。通过确定出的待检测图像的第一特征向量以及对应的至少一张正常图像的第二特征向量，即可通过向量之间的关系来反映待检测图像的图像异常结果。
需要说明的是，图像异常检测结果用于表示待检测图像中的目标特征的异常情况，图像异常检测结果可以为是否正常的结果(正常图像/异常图像)，也可以是具体的图像异常值的结果(异常值为97)，还可以是具体的图像异常程度的结果(异常度为90％)，本发明实施例亦不做限定。
可见，本发明实施例所描述的方法能够提供一种基于神经网络的图像处理方案，能够自动高效地识别图像异常结果和异常特征，通过预处理提高待检测图像的异常识别度，通过选取特定的正常图像提高图像异常检测的精度和可信度，通过多形式、多维度的图像异常结果进行异常情况的展示，有利于简化后续人员的进一步筛选工作，有效提高图像检测的速度和准确度。
在一个可选的实施例中，根据待检测图像的第一特征向量，以及与待检测图像对应的至少一张正常图像的第二特征向量，确定出待检测图像的图像异常结果，可以包括以下操作：
根据待检测图像的第一特征向量，以及与待检测图像对应的至少一张目标正常图像的第二特征向量，计算待检测图像对应的目标异常度；
将待检测图像对应的目标异常度，确定为待检测图像的图像异常结果；或，
将待检测图像对应的目标异常度进行预处理，得到预处理结果；将预处理结果确定待检测图像的图像异常结果。
本发明实施例中，首先可以依据待检测图像的第一特征向量和待检测图像对应的至少一张目标正常图像的第二特征向量，计算出待检测图像的目标异常度，进而将该目标异常度确定为该待检测图像的图像异常结果。比如，确定出向量之间的距离为97单位，则图像异常结果即为97。此外，还可以对目标异常度进行进一步的处理，将处理之后的结果确定为待检测图像的图像异常结果。比如，采用Sigmoid将目标异常度归一化成0-1的范围(0.97或97％)，作为待检测图像的图像异常结果。
可见，本发明实施例所描述的方法能够提供一种基于神经网络的图像处理方案，能够自动高效地识别图像异常结果和异常特征，同时通过多形式、多维度的图像异常结果进行异常情况的展示，有利于简化后续人员的进一步筛选工作，有效提高图像检测的速度和准确度。
在该可选的实施例中，进一步可选的，根据待检测图像的第一特征向量，以及与待检测图像对应的至少一张正常图像的第二特征向量，计算待检测图像对应的目标异常度，可以包括以下操作：
将待检测图像的第一特征向量与待检测图像对应的至少一张目标正常图像的第二特征向量进行差异比对，得到差异度值集合，差异度值集合包括待检测图像与每张目标正常图像的差异度值；
根据差异度值集合包括的所有差异度值，确定差异度值集合的差异度统计值，其中，差异度统计值包括均值、极值、中间值中的一种；
将差异度统计值确定为待检测图像对应的目标异常度。
本发明实施例中，与待检测图像对应的目标正常图像可以是多张，因此可以得到待检测图像与每张目标正常图像的差异度值，进而对所有差异度值进行数据统计，将得到的差异度统计值确定为待检测图像对应的目标异常度，其中差异度统计值可以是均值，也可以是极值，还可以是中间值等，本发明实施例不做限定。
可见，本发明实施例所描述的方法能够提供一种基于神经网络的图像处理方案，结合数理统计的方法对图像异常度进行处理，有利于提高检测结果的可信度，进一步提升异常结果的准确度。
进一步的，将待检测图像的第一特征向量与待检测图像对应的至少一张目标正常图像的第二特征向量进行差异比对，得到差异度值集合，差异度值集合包括待检测图像与每张目标正常图像的差异度值，具体可以包括以下操作：
计算待检测图像的第一特征向量与待检测图像对应的至少一张目标正常图像的第二特征向量之间的向量夹角，得到向量夹角集合，向量夹角集合包括待检测图像与每张目标正常图像的向量夹角；将向量夹角集合确定为待检测图像的差异度值；或者，
计算待检测图像的第一特征向量与待检测图像对应的至少一张目标正常图像的第二特征向量之间的向量距离，得到向量距离集合，向量距离集合包括待检测图像与每张目标正常图像的向量距离；将向量距离集合确定为待检测图像的差异度值。
本发明实施例中，待检测图像与每张目标正常图像的特征向量之间的对比，可以是通过向量之间的夹角进行比对，也可以是通过向量之间的距离进行比对，本发明实施例不做限定。需要说明的是，向量之间的距离可以包括L1距离，L2距离(欧氏距离)，余弦距离，汉明距离等，本发明实施例亦不做限定。
可见，本发明实施例所描述的方法能够提供一种基于神经网络的图像处理方案，通过向量夹角或者向量距离的方式来反映待检测图像的异常度值，建立多种异常度值的转化形式，便于图像异常结果的量化计算，提高本发明的适用性和通用性。
在该可选的实施例中，又进一步可选的，根据待检测图像的第一特征向量，以及与待检测图像对应的至少一张目标正常图像的第二特征向量，计算待检测图像对应的目标异常度，还可以包括以下操作：
根据待检测图像对应的至少一张目标正常图像的第二特征向量，计算所有目标正常图像的第二特征向量对应的均值与方差值，得到所有正常图像对应的第一分布向量；
计算待检测图像的第一特征向量与第一分布向量之间的第一分布向量距离，并将第一分布向量距离确定为待检测图像对应的目标异常度，其中，计算第一分布向量距离的公式为；
L＝(f-μ)Tσ-1(f-μ)；
其中，L为第一分布向量距离，f为待检测图像对应的第一特征向量，μ为所有目标正常图像的第二特征向量对应的均值，σ为所有目标正常图像的第二特征向量对应的方差值。
本发明实施例中，计算待检测图像的目标异常度，还可以通过待检测图像的特征向量与目标正常图像的分布向量进行比对的方式实现。首先对所有目标正常图像的第二特征向量进行统计计算，得到所有目标正常图像对应的均值和方差值，也即得到上述的第一分布向量。通过上述第一分布向量距离的计算公式，即可得到待检测图像的目标异常度。
可见，本发明实施例所描述的方法能够提供一种基于神经网络的图像处理方案，通过预先确定出目标正常图像的分布向量，进而将待检测图像与分布向量进行比对，以实现目标异常度的计算，可以简化比对过程，通过数理统计的方式进一步提高图像异常检测的可信度。
在该可选的实施例中，又进一步可选的，根据待检测图像的第一特征向量，以及与待检测图像对应的至少一张目标正常图像的第二特征向量，计算待检测图像对应的目标异常度，还可以包括以下操作：
从预先确定出的正常图像集合中获取待检测图像对应的第一类正常图像，第一类正常图像包括待检测图像对应的C个近邻正常图像，其中，每个近邻正常图像的第二特征向量与待检测图像的第一特征向量之间的向量距离小于预设距离阈值；
计算待检测图像的第一特征向量和C个近邻正常图像的第二特征向量的第一方差值；
对于从正常图像集合中随机确定出的D个第二类正常图像中的每个目标正常图像，计算该目标正常图像的第二特征向量和C个近邻正常图像的第二特征向量的第二方差值，得到该目标正常图像对应的第二方差值；
根据第二类正常图像中所有目标正常图像对应的第二方差值，计算第二类正常图像中所有目标正常图像对应的平均方差值；
根据第一方差值以及平均方差值，确定待检测图像对应的目标异常度。
本发明实施例中，通过一种计算样本密度的方式来计算待检测图像对应的目标异常度。首先，预先确定出待检测图像的邻近正常图像，其中，邻近是指邻近正常图像的第二特征向量与待检测图像的第一特征向量之间的向量距离(具体包括如上述中的向量距离的计算方式)小于预设距离阈值。进而计算待检测图像的向量和邻近正常图像的向量的方差值(即上述第一方差值)。同时，选取至少一张目标正常图像，同样计算每张目标正常图像的向量和上述邻近正常的向量的方差值，得到所有目标正常图像的方差值，继而进行统计分析，得到所有目标正常图像的方差值的平均方差值。根据第一方差值以及平均方差值，确定待检测图像对应的目标异常度。
可见，本发明实施例所描述的方法能够提供一种基于神经网络的图像处理方案，通过计算样本密度的方式来计算待检测图像的目标异常度，提升比对样本数量的同时得到更准确的检测值，提高图像异常结果的精度和准确度，进一步提高图像异常检测结果的可信度。
实施例二
请参阅图2，图2是本发明实施例公开的另一种基于神经网络的图像处理方法的流程示意图。其中，图2所描述的方法可以应用于基于神经网络的图像处理装置中，该基于神经网络的图像处理装置可以是一个独立的装置，也可以集成在图像处理设备中，本发明实施例不做限定。如图2所示，该基于神经网络的图像处理方法可以包括以下操作：
201、对图像扫描集中任一待检测图像执行预处理操作。
本发明实施例中，在将待检测图像输入第一神经网络模型之前，本发明还可以对待检测图像进行预处理操作，如调节亮度、调节Gamma值、裁剪尺寸、缩放、平移、添加随机噪声等操作，便于后续输入第一神经网络模型。
202、将待检测图像输入至第一神经网络模型，得到待检测图像的第一特征向量。
进一步的，在将待检测图像输入第一神经网络模型之后，本发明同样可以对待检测进行进一步预处理操作，如调节亮度、调节Gamma值、裁剪尺寸、缩放、平移、添加随机噪声等操作，得到该待检测图像对应的T张预处理图像，进而用T张预处理图像与正常图像进行比对，将得到的T个预处理图像对应的平均图像异常结果作为该待检测图像的图像异常结果，有利于提高图像异常检测的精度和准确度。
203、根据待检测图像的第一特征向量，以及与待检测图像对应的至少一张正常图像的第二特征向量，确定出待检测图像的图像异常结果。
本发明实施例中，针对步骤202-步骤203的其它描述，请分别对应参照实施例一中针对步骤101-步骤102的详细描述，本发明实施例不再赘述。
可见，本发明实施例所描述的方法能够提供一种基于神经网络的图像处理方案，能够自动高效地识别图像异常结果和异常特征，通过对待检测图像的预处理操作，提高第一神经网络模型对待检测图像的识别度，有利于提高图像异常检测的精度和准确度。
在一个可选的实施例中，图像扫描集中的所有待检测图像是由图像扫描设备基于预设图像扫描物理间距扫描得到的，相邻两个待检测图像之间的物理间距等于预设图像扫描物理间距；每张待检测图像的图像异常结果包括该待检测图像的图像异常值；在根据待检测图像的第一特征向量，以及与待检测图像对应的至少一张正常图像的第二特征向量，确定出待检测图像的图像异常值之后，本发明还可以包括以下操作：
204、根据确定出的所有待检测图像的图像异常值，将图像扫描集中满足预设异常条件的待检测图像确定为图像扫描集的异常图像；
其中，根据确定出的所有待检测图像的图像异常值，将图像扫描集中满足预设异常条件的待检测图像确定为异常图像，包括：
按照图像扫描集中所有待检测图像的扫描顺序以及预先确定出的数量，将图像扫描集中待检测图像划分为至少一个图像集合，不同图像集合中的图像均不重叠且同一图像集合中图像的扫描顺序连续；
对于每个图像集合，判断该图像集合中是否存在图像异常值大于等于预设图像异常值的至少一个图像，当判断结果为是时，从该图像集合中选取图像异常值最大的待检测图像，作为该图像集合对应的异常图像；
将所有图像集合对应的异常图像确定为图像扫描集的异常图像。
本发明实施例中，可以根据待检测图像的图像异常值，按照预设标准，从所有待检测图像中筛出异常图像，可以筛选出异常值排序中异常值最大的N张图像作为异常图像，还可以筛选出异常值大于预设异常度值的所有待检测图像作为异常图像，还可以对待检测图像进行分组，从每组中筛选出最异常的待检测图像作为异常图像。其中，比如对待检测图像进行分组，从每组中筛选出最异常的待检测图像作为异常图像，具体可以是，按照待检测图像的扫描顺序以及预先确定出的数量，对待检测图像进行分组，得到图像集合，对于每个图像集合，判断该图像结合中是否存在图像异常值大于等于预设图像异常值的至少一个图像，例如对眼底视网膜进行扫描得到的图像集中，假设第7，8，9张图片(其中一组)的异常值分别是0.95、0.99、0.98，第101，102，103张图片(其中另外一组)的异常值为0.94，0.93，0.92，那么本发明可以选取第8和第101张图片作为异常图像。这样做的原因是因为相邻的b-scan图片显示的视网膜结构都大致一样(相邻b-scan的扫描物理间距一般只有10微米不到)，对相邻位置显示多张图片的意义不大。需要说明的是，每个组对应的预设图像异常值可以是相同的，也可以是相互独立且不同的，本发明实施例不做限定。
可见，本发明实施例所描述的方法能够提供一种基于神经网络的图像处理方案，通过参考实际应用场景中采集图像之间的间隔以及不同采集图像间的异常度阈值，将满足预设要求的异常图像从图像扫描集中高效地筛选出来，提高异常图像检测的精度和准确度，有利于后续对异常图像的进一步判断和处理，简化后续进一步筛选的流程，进一步提高图像异常检测的可信度。
在又一个可选的实施例中，本发明还可以包括以下操作：
205、针对图像扫描集的任一异常图像，对异常图像进行异常定位，得到异常图像对应的异常标注图像；
其中，对异常图像进行异常定位，得到异常图像对应的异常标注图像，包括：
将异常图像输入至第二神经网络模型，得到异常图像对应的第一特征图，将第一特征图中每一像素位置对应的特征值确定为第一特征图中每一像素位置对应的第三特征向量，其中，第一特征图包括K个通道；
确定异常图像对应的第三类正常图像，将第三类正常图像中的所有正常图像输入至第二神经网络模型，得到第三类正常图像中每个正常图像对应的第二特征图，其中，第三类正常图像包括的正常图像的目标特征为正常特征，每个第二特征图包括K个通道；
逐通道计算所有第二特征图中每个像素位置对应的特征值的均值和方差值，得到所有第二特征图对应的每个像素位置的平均特征值；将所有第二特征图中每个像素位置的平均特征值确定为所有第二特征图的每个像素位置的第二分布向量；
从所有第二分布向量中分别确定每个第三特征向量的匹配分布向量，每个第三特征向量的匹配分布向量对应的像素位置与该第三特征向量对应的像素位置相匹配；
分别计算每个第三特征向量与其匹配分布向量之间的第二分布向量距离，得到第二分布向量距离集合；
对第二分布向量距离集合中的所有第二分布向量距离进行归一化操作，得到第二分布向量距离集合中每个第二分布向量距离对应的归一化值；
根据第二分布向量距离集合中每个第二分布向量距离对应的归一化值对异常图像进行异常标注。
本发明实施例中，对筛选出的异常图片，进行异常定位，对异常图片的第一特征图的每一像素位置进行像素异常度分析，得到每一像素位置的像素异常值，进而可以映射到原异常图片中每一像素位置的像素异常值，根据其像素异常值和不同像素异常值对应的标注形式，把原异常图像中的异常区域进行高亮显示或覆盖不同的颜色代表异常程度。图片中定位异常区域的方法可以如下：把筛选出的异常图片输入到第二神经网络模型中，第二神经网络模型同样由多个卷积层组成，与第一神经网络模型的差异主要在于其没有使用全局池化层和全连接层，因此其输出为i*j*k的特征图，其中i，j，k是特征图的长、宽和通道数。一般来说，i，j均小于原图片长宽，例如为原尺寸的四分之一。同样，把所有m张正常图片输入到神经网络2中，得出m张i*j*k的特征图，逐通道计算这m张i*j大小的特征图的平均值与方差值，得出k个通道的均值μ与方差值σ，μ和σ均为尺寸为1*k的向量。对于异常图片的第一特征图，进行逐像素(共i*j个像素)进行分析，设在特征图(x,y)位置的特征值为f(x,y)，则f(x,y)为一个尺寸为1*k的向量，该位置的第三特征向量与其匹配分布向量的距离为(fi,j-μ)Tσ-1(fi,j-μ)，对距离进行sigmoid运算，转化为0-1之间的异常值。根据异常值对原异常图像进行颜色覆盖，例如：红色代表异常值高的地方，蓝绿色或无色代表异常值低的地方。
可见，本发明实施例所描述的方法能够提供一种基于神经网络的图像处理方案，通过像素异常定位的方式，用以区分不同的异常程度，细化异常检测结果，使得异常区域更加明显醒目，极大的方便后续对异常区域的进一步判断和处理，提高异常检测的效率。
实施例三
请参阅图3，图3是本发明实施例公开的一种基于神经网络的图像处理装置的结构示意图。需要说明的是，该基于神经网络的图像处理装置参照的是实施例一和实施例二所描述的一种基于神经网络的图像处理方法中的步骤，详细的描述在本实施例中就不做赘述，如图3所示，该基于神经网络的图像处理装置可以包括：
第一确定模块301，用于将图像扫描集中任一待检测图像输入至第一神经网络模型，得到待检测图像的第一特征向量，其中，第一神经网络模型是基于正常图像样本训练得到的，正常图像样本中每个正常图像中的目标特征均为正常特征；
第二确定模块302，用于根据待检测图像的第一特征向量，以及与待检测图像对应的至少一张正常图像的第二特征向量，确定出待检测图像的图像异常结果；其中，每张正常图像中的目标特征为正常特征；图像异常结果用于表示待检测图像中的目标特征的异常情况；第二特征向量是将正常图像输入至第一神经网络模型处理得到的特征向量。
可见，本发明实施例所描述的装置能够提供一种基于神经网络的图像处理方案，能够自动高效地识别图像异常结果和异常特征，通过预处理提高待检测图像的异常识别度，通过选取特定的正常图像提高图像异常检测的精度和可信度，通过多形式、多维度的图像异常结果进行异常情况的展示，有利于简化后续人员的进一步筛选工作，有效提高图像检测的速度和准确度。
在一个可选的实施例中，第二确定模块302，包括：
计算子模块3021，用于根据待检测图像的第一特征向量，以及与待检测图像对应的至少一张目标正常图像的第二特征向量，计算待检测图像对应的目标异常度；
确定子模块3022，用于将待检测图像对应的目标异常度，确定为待检测图像的图像异常结果；或，
用于根据待检测图像对应的目标异常度，确定待检测图像的图像异常结果。
可见，本发明实施例所描述的装置能够提供一种基于神经网络的图像处理方案，能够自动高效地识别图像异常结果和异常特征，同时通过多形式、多维度的图像异常结果进行异常情况的展示，有利于简化后续人员的进一步筛选工作，有效提高图像检测的速度和准确度。
在该可选的实施例中，进一步可选的，计算子模块3021具体用于；
将待检测图像的第一特征向量与待检测图像对应的至少一张目标正常图像的第二特征向量进行差异比对，得到差异度值集合，差异度值集合包括待检测图像与每张目标正常图像的差异度值；
根据差异度值集合包括的所有差异度值，确定差异度值集合的差异度统计值，其中，差异度统计值包括均值、极值、中间值中的一种；
将差异度统计值确定为待检测图像对应的目标异常度。
可见，本发明实施例所描述的装置能够提供一种基于神经网络的图像处理方案，结合数理统计的方法对图像异常度进行处理，有利于提高检测结果的可信度，进一步提升异常结果的准确度。
又进一步的，计算子模块3021将待检测图像的第一特征向量与待检测图像对应的至少一张目标正常图像的第二特征向量进行差异比对，得到差异度值集合，差异度值集合包括待检测图像与每张目标正常图像的差异度值的具体方式为：
计算待检测图像的第一特征向量与待检测图像对应的至少一张目标正常图像的第二特征向量之间的向量夹角，得到向量夹角集合，向量夹角集合包括待检测图像与每张目标正常图像的向量夹角；将向量夹角集合确定为待检测图像的差异度值；或者，
计算待检测图像的第一特征向量与待检测图像对应的至少一张目标正常图像的第二特征向量之间的向量距离，得到向量距离集合，向量距离集合包括待检测图像与每张目标正常图像的向量距离；将向量距离集合确定为待检测图像的差异度值。
可见，本发明实施例所描述的装置能够提供一种基于神经网络的图像处理方案，通过向量夹角或者向量距离的方式来反映待检测图像的异常度值，建立多种异常度值的转化形式，便于图像异常结果的量化计算，提高本发明的适用性和通用性。
在该可选的实施例中，又进一步可选的，计算子模块3021具体用于；
根据待检测图像对应的至少一张目标正常图像的第二特征向量，计算所有目标正常图像的第二特征向量对应的均值与方差值，得到所有正常图像对应的第一分布向量；
计算待检测图像的第一特征向量与第一分布向量之间的第一分布向量距离，并将第一分布向量距离确定为待检测图像对应的目标异常度，其中，计算第一分布向量距离的公式为；
L＝(f-μ)Tσ-1(f-μ)；
其中，L为第一分布向量距离，f为待检测图像对应的第一特征向量，μ为所有目标正常图像的第二特征向量对应的均值，σ为所有目标正常图像的第二特征向量对应的方差值。
可见，本发明实施例所描述的装置能够提供一种基于神经网络的图像处理方案，通过预先确定出目标正常图像的分布向量，进而将待检测图像与分布向量进行比对，以实现目标异常度的计算，可以简化比对过程，通过数理统计的方式进一步提高图像异常检测的可信度。
在该可选的实施例中，又进一步可选的，计算子模块3021具体用于；
从预先确定出的正常图像集合中获取待检测图像对应的第一类正常图像，第一类正常图像包括待检测图像对应的C个近邻正常图像，其中，每个近邻正常图像的第二特征向量与待检测图像的第一特征向量之间的向量距离小于预设距离阈值；
计算待检测图像的第一特征向量和C个近邻正常图像的第二特征向量的第一方差值；
对于从正常图像集合中随机确定出的D个第二类正常图像中的每个目标正常图像，计算该目标正常图像的第二特征向量和C个近邻正常图像的第二特征向量的第二方差值，得到该目标正常图像对应的第二方差值；
根据第二类正常图像中所有目标正常图像对应的第二方差值，计算第二类正常图像中所有目标正常图像对应的平均方差值；
根据第一方差值以及平均方差值，确定待检测图像对应的目标异常度。
可见，本发明实施例所描述的装置能够提供一种基于神经网络的图像处理方案，通过计算样本密度的方式来计算待检测图像的目标异常度，提升比对样本数量的同时得到更准确的检测值，提高图像异常结果的精度和准确度，进一步提高图像异常检测结果的可信度。
在另一个可选的实施例中，如图4所示，图像扫描集中的所有待检测图像是由图像扫描设备基于预设图像扫描物理间距扫描得到的，相邻两个待检测图像之间的物理间距等于预设图像扫描物理间距；每张待检测图像的图像异常结果包括该待检测图像的图像异常值；
该装置还可以包括：
第三确定模块303，用于根据确定出的所有待检测图像的图像异常值，将图像扫描集中满足预设异常条件的待检测图像确定为图像扫描集的异常图像；
第三确定模块303，具体用于：
按照图像扫描集中所有待检测图像的扫描顺序以及预先确定出的数量，将图像扫描集中待检测图像划分为至少一个图像集合，不同图像集合中的图像均不重叠且同一图像集合中图像的扫描顺序连续；
对于每个图像集合，判断该图像集合中是否存在图像异常值大于等于预设图像异常值的至少一个图像，当判断结果为是时，从该图像集合中选取图像异常值最大的待检测图像，作为该图像集合对应的异常图像；
将所有图像集合对应的异常图像确定为图像扫描集的异常图像。
可见，本发明实施例所描述的装置能够提供一种基于神经网络的图像处理方案，通过参考实际应用场景中采集图像之间的间隔以及不同采集图像间的异常度阈值，将满足预设要求的异常图像从图像扫描集中高效地筛选出来，提高异常图像检测的精度和准确度，有利于后续对异常图像的进一步判断和处理，简化后续进一步筛选的流程，进一步提高图像异常检测的可信度。
在又一个可选的实施例中，如图4所示，该装置还可以包括：
第四确定模块304，用于针对图像扫描集的任一异常图像，对异常图像进行异常定位，得到异常图像对应的异常标注图像；
其中，对异常图像进行异常定位，得到异常图像对应的异常标注图像，包括：
将异常图像输入至第二神经网络模型，得到异常图像对应的第一特征图，将第一特征图中每一像素位置对应的特征值确定为第一特征图中每一像素位置对应的第三特征向量，其中，第一特征图包括K个通道；
确定异常图像对应的第三类正常图像，将第三类正常图像中的所有正常图像输入至第二神经网络模型，得到第三类正常图像中每个正常图像对应的第二特征图，其中，第三类正常图像包括的正常图像的目标特征为正常特征，每个第二特征图包括K个通道；
逐通道计算所有第二特征图中每个像素位置对应的特征值的均值和方差值，得到所有第二特征图对应的每个像素位置的平均特征值；将所有第二特征图中每个像素位置的平均特征值确定为所有第二特征图的每个像素位置的第二分布向量；
从所有第二分布向量中分别确定每个第三特征向量的匹配分布向量，每个第三特征向量的匹配分布向量对应的像素位置与该第三特征向量对应的像素位置相匹配；
分别计算每个第三特征向量与其匹配分布向量之间的第二分布向量距离，得到第二分布向量距离集合；
对第二分布向量距离集合中的所有第二分布向量距离进行归一化操作，得到第二分布向量距离集合中每个第二分布向量距离对应的归一化值；
根据第二分布向量距离集合中每个第二分布向量距离对应的归一化值对异常图像进行异常标注。
可见，本发明实施例所描述的装置能够提供一种基于神经网络的图像处理方案，通过像素异常定位的方式，用以区分不同的异常程度，细化异常检测结果，使得异常区域更加明显醒目，极大的方便后续对异常区域的进一步判断和处理，提高异常检测的效率。
实施例四
请参阅图5，图5是本发明实施例公开的又一种基于神经网络的图像处理装置的结构示意图。如图5所示，该基于神经网络的图像处理装置可以包括：
存储有可执行程序代码的存储器401；
与存储器401耦合的处理器402；
处理器402调用存储器402中存储的可执行程序代码，执行本发明实施例一或实施例二公开的基于神经网络的图像处理方法中的部分或全部步骤。
实施例五
本发明实施例公开了一种计算机存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一或实施例二公开的基于神经网络的图像处理方法中的步骤。
以上所描述的装置实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种基于神经网络的图像处理方法及装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (9)

1.一种基于神经网络的图像处理方法，其特征在于，所述方法包括：
将图像扫描集中任一待检测图像输入至第一神经网络模型，得到所述待检测图像的第一特征向量，其中，所述第一神经网络模型是基于正常图像样本训练得到的，所述正常图像样本中每个正常图像中的目标特征均为正常特征；
根据所述待检测图像的第一特征向量，以及与所述待检测图像对应的至少一张正常图像的第二特征向量，确定出所述待检测图像的图像异常结果；
其中，每张所述正常图像中的所述目标特征为正常特征；所述图像异常结果用于表示所述待检测图像中的所述目标特征的异常情况；所述第二特征向量是将所述正常图像输入至所述第一神经网络模型处理得到的特征向量；
所述图像扫描集中的所有所述待检测图像是由图像扫描设备基于预设图像扫描物理间距扫描得到的，相邻两个所述待检测图像之间的物理间距等于所述预设图像扫描物理间距；每张所述待检测图像的图像异常结果包括该待检测图像的图像异常值；
在所述根据所述待检测图像的第一特征向量，以及与所述待检测图像对应的至少一张正常图像的第二特征向量，确定出所述待检测图像的图像异常值之后，所述方法还包括：
根据确定出的所有所述待检测图像的图像异常值，将所述图像扫描集中满足预设异常条件的待检测图像确定为所述图像扫描集的异常图像；
其中，所述根据确定出的所有所述待检测图像的图像异常值，将所述图像扫描集中满足预设异常条件的待检测图像确定为异常图像，包括：
按照所述图像扫描集中所有所述待检测图像的扫描顺序以及预先确定出的数量，将所述图像扫描集中待检测图像划分为至少一个图像集合，不同所述图像集合中的图像均不重叠且同一所述图像集合中图像的扫描顺序连续；
对于每个所述图像集合，判断该图像集合中是否存在图像异常值大于等于预设图像异常值的至少一个图像，当判断结果为是时，从该图像集合中选取图像异常值最大的待检测图像，作为该图像集合对应的异常图像；
将所有所述图像集合对应的异常图像确定为所述图像扫描集的异常图像。
2.根据权利要求1所述的基于神经网络的图像处理方法，其特征在于，所述根据所述待检测图像的第一特征向量，以及与所述待检测图像对应的至少一张正常图像的第二特征向量，确定出所述待检测图像的图像异常结果，包括：
根据所述待检测图像的第一特征向量，以及与所述待检测图像对应的至少一张目标正常图像的第二特征向量，计算所述待检测图像对应的目标异常度；
将所述待检测图像对应的目标异常度，确定为所述待检测图像的图像异常结果；或，
将所述待检测图像对应的目标异常度进行预处理，得到预处理结果；
将所述预处理结果确定所述待检测图像的图像异常结果。
3.根据权利要求2所述的基于神经网络的图像处理方法，其特征在于，所述根据所述待检测图像的第一特征向量，以及与所述待检测图像对应的至少一张正常图像的第二特征向量，计算所述待检测图像对应的目标异常度，包括：
将所述待检测图像的第一特征向量与所述待检测图像对应的至少一张目标正常图像的第二特征向量进行差异比对，得到差异度值集合，所述差异度值集合包括所述待检测图像与每张所述目标正常图像的差异度值；
根据所述差异度值集合包括的所有差异度值，确定所述差异度值集合的差异度统计值，其中，所述差异度统计值包括均值、极值、中间值中的一种；
将所述差异度统计值确定为所述待检测图像对应的目标异常度。
4.根据权利要求3所述的基于神经网络的图像处理方法，其特征在于，所述将所述待检测图像的第一特征向量与所述待检测图像对应的至少一张目标正常图像的第二特征向量进行差异比对，得到差异度值集合，所述差异度值集合包括所述待检测图像与每张所述目标正常图像的差异度值，包括：
计算所述待检测图像的第一特征向量与所述待检测图像对应的至少一张目标正常图像的第二特征向量之间的向量夹角，得到向量夹角集合，所述向量夹角集合包括所述待检测图像与每张所述目标正常图像的向量夹角；将所述向量夹角集合确定为所述待检测图像的差异度值；或者，
计算所述待检测图像的第一特征向量与所述待检测图像对应的至少一张目标正常图像的第二特征向量之间的向量距离，得到向量距离集合，所述向量距离集合包括所述待检测图像与每张所述目标正常图像的向量距离；将所述向量距离集合确定为所述待检测图像的差异度值。
5.根据权利要求2所述的基于神经网络的图像处理方法，其特征在于，所述根据所述待检测图像的第一特征向量，以及与所述待检测图像对应的至少一张目标正常图像的第二特征向量，计算所述待检测图像对应的目标异常度，包括：
根据所述待检测图像对应的至少一张目标正常图像的第二特征向量，计算所有所述目标正常图像的第二特征向量对应的均值与方差值，得到所有所述正常图像对应的第一分布向量；
计算所述待检测图像的第一特征向量与所述第一分布向量之间的第一分布向量距离，并将所述第一分布向量距离确定为所述待检测图像对应的目标异常度，其中，计算所述第一分布向量距离的公式为；
L＝(f-μ)Tσ-1(f-μ)；
其中，L为所述第一分布向量距离，f为所述待检测图像对应的第一特征向量，μ为所有所述目标正常图像的第二特征向量对应的均值，σ为所有所述目标正常图像的第二特征向量对应的方差值。
6.根据权利要求2所述的基于神经网络的图像处理方法，其特征在于，所述根据所述待检测图像的第一特征向量，以及与所述待检测图像对应的至少一张目标正常图像的第二特征向量，计算所述待检测图像对应的目标异常度，包括：
从预先确定出的正常图像集合中获取所述待检测图像对应的第一类正常图像，所述第一类正常图像包括所述待检测图像对应的C个近邻正常图像，其中，每个所述近邻正常图像的第二特征向量与所述待检测图像的第一特征向量之间的向量距离小于预设距离阈值；
计算所述待检测图像的第一特征向量和C个所述近邻正常图像的第二特征向量的第一方差值；
对于从所述正常图像集合中随机确定出的D个第二类正常图像中的每个目标正常图像，计算该目标正常图像的第二特征向量和C个所述近邻正常图像的第二特征向量的第二方差值，得到该目标正常图像对应的第二方差值；
根据所述第二类正常图像中所有目标正常图像对应的第二方差值，计算所述第二类正常图像中所有目标正常图像对应的平均方差值；
根据所述第一方差值以及所述平均方差值，确定所述待检测图像对应的目标异常度。
7.根据权利要求1所述的基于神经网络的图像处理方法，其特征在于，在所述根据确定出的所有所述待检测图像的图像异常值，将所述图像扫描集中满足预设异常条件的待检测图像确定为所述图像扫描集的异常图像之后，所述方法还包括：
针对所述图像扫描集的任一异常图像，对所述异常图像进行异常定位，得到所述异常图像对应的异常标注图像；
其中，所述对所述异常图像进行异常定位，得到所述异常图像对应的异常标注图像，包括：
将所述异常图像输入至第二神经网络模型，得到所述异常图像对应的第一特征图，将所述第一特征图中每一像素位置对应的特征值确定为所述第一特征图中每一像素位置对应的第三特征向量，其中，所述第一特征图包括K个通道；
确定所述异常图像对应的第三类正常图像，将所述第三类正常图像中的所有正常图像输入至所述第二神经网络模型，得到所述第三类正常图像中每个正常图像对应的第二特征图，其中，所述第三类正常图像包括的正常图像的所述目标特征为正常特征，每个所述第二特征图包括K个通道；
逐通道计算所有所述第二特征图中每个像素位置对应的特征值的均值和方差值，得到所有所述第二特征图对应的每个像素位置的平均特征值；将所有所述第二特征图中每个像素位置的平均特征值确定为所有所述第二特征图的每个像素位置的第二分布向量；
从所有所述第二分布向量中分别确定每个所述第三特征向量的匹配分布向量，每个所述第三特征向量的匹配分布向量对应的像素位置与该第三特征向量对应的像素位置相匹配；
分别计算每个所述第三特征向量与其匹配分布向量之间的第二分布向量距离，得到第二分布向量距离集合；
对所述第二分布向量距离集合中的所有第二分布向量距离进行归一化操作，得到所述第二分布向量距离集合中每个第二分布向量距离对应的归一化值；
根据所述第二分布向量距离集合中每个第二分布向量距离对应的归一化值对所述异常图像进行异常标注。
8.一种基于神经网络的图像处理装置，其特征在于，所述装置包括：
第一确定模块，用于将图像扫描集中任一待检测图像输入至第一神经网络模型，得到所述待检测图像的第一特征向量，其中，所述第一神经网络模型是基于正常图像样本训练得到的，所述正常图像样本中每个正常图像中的目标特征均为正常特征；
第二确定模块，用于根据所述待检测图像的第一特征向量，以及与所述待检测图像对应的至少一张正常图像的第二特征向量，确定出所述待检测图像的图像异常结果；
其中，每张所述正常图像中的所述目标特征为正常特征；所述图像异常结果用于表示所述待检测图像中的所述目标特征的异常情况；所述第二特征向量是将所述正常图像输入至所述第一神经网络模型处理得到的特征向量；
所述图像扫描集中的所有所述待检测图像是由图像扫描设备基于预设图像扫描物理间距扫描得到的，相邻两个所述待检测图像之间的物理间距等于所述预设图像扫描物理间距；每张所述待检测图像的图像异常结果包括该待检测图像的图像异常值；
所述装置还包括：
第三确定模块，用于根据确定出的所有所述待检测图像的图像异常值，将所述图像扫描集中满足预设异常条件的待检测图像确定为所述图像扫描集的异常图像；
所述第三确定模块，具体用于：
按照所述图像扫描集中所有所述待检测图像的扫描顺序以及预先确定出的数量，将所述图像扫描集中待检测图像划分为至少一个图像集合，不同所述图像集合中的图像均不重叠且同一所述图像集合中图像的扫描顺序连续；
对于每个所述图像集合，判断该图像集合中是否存在图像异常值大于等于预设图像异常值的至少一个图像，当判断结果为是时，从该图像集合中选取图像异常值最大的待检测图像，作为该图像集合对应的异常图像；
将所有所述图像集合对应的异常图像确定为所述图像扫描集的异常图像。
9.一种基于神经网络的图像处理装置，其特征在于，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的基于神经网络的图像异常检测方法。
CN202110969143.3A 2021-08-23 2021-08-23 一种基于神经网络的图像处理方法及装置 Active CN113724214B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110969143.3A CN113724214B (zh) 2021-08-23 2021-08-23 一种基于神经网络的图像处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110969143.3A CN113724214B (zh) 2021-08-23 2021-08-23 一种基于神经网络的图像处理方法及装置

Publications (2)

Publication Number Publication Date
CN113724214A CN113724214A (zh) 2021-11-30
CN113724214B true CN113724214B (zh) 2024-02-23

Family

ID=78677385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110969143.3A Active CN113724214B (zh) 2021-08-23 2021-08-23 一种基于神经网络的图像处理方法及装置

Country Status (1)

Country Link
CN (1) CN113724214B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114332081B (zh) * 2022-03-07 2022-06-14 泗水县亿佳纺织厂 基于图像处理的纺织品表面异常判定方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6285992B1 (en) * 1997-11-25 2001-09-04 Stanley C. Kwasny Neural network based methods and systems for analyzing complex data
WO2016153479A1 (en) * 2015-03-23 2016-09-29 Longsand Limited Scan face of video feed
CN106683073A (zh) * 2015-11-11 2017-05-17 杭州海康威视数字技术股份有限公司 一种车牌的检测方法及摄像机和服务器
CN109376631A (zh) * 2018-10-12 2019-02-22 中国人民公安大学 一种基于神经网络的回环检测方法及装置
WO2019144469A1 (zh) * 2018-01-24 2019-08-01 华讯方舟科技有限公司 一种图像质量分类方法、系统及终端设备
CN110738164A (zh) * 2019-10-12 2020-01-31 北京猎户星空科技有限公司 零件异常检测方法、模型训练方法及装置
WO2020033900A1 (en) * 2018-08-10 2020-02-13 L3 Security & Detection Systems, Inc. Systems and methods for image processing
CN110865084A (zh) * 2019-12-10 2020-03-06 闪电(昆山)智能科技有限公司 基于自学习模式的综丝分离检测系统及方法
CN111178445A (zh) * 2019-12-31 2020-05-19 上海商汤智能科技有限公司 图像处理方法及装置
CN111310760A (zh) * 2020-02-13 2020-06-19 辽宁师范大学 结合局部先验特征和深度卷积特征的甲骨刻辞文字检测方法
CN111695605A (zh) * 2020-05-20 2020-09-22 平安科技（深圳）有限公司 基于oct图像的图像识别方法、服务器及存储介质
WO2020188007A1 (en) * 2019-03-20 2020-09-24 Carl Zeiss Meditec Ag A patient tuned ophthalmic imaging system with single exposure multi-type imaging, improved focusing, and improved angiography image sequence display
CN111767783A (zh) * 2020-04-22 2020-10-13 杭州海康威视数字技术股份有限公司 行为检测、模型训练方法、装置、电子设备及存储介质
CN111860429A (zh) * 2020-07-30 2020-10-30 科大讯飞股份有限公司 高炉风口异常检测方法、装置、电子设备和存储介质
CN112287912A (zh) * 2020-12-25 2021-01-29 浙江大华技术股份有限公司 基于深度学习的车道线检测方法以及装置
CN112560957A (zh) * 2020-12-17 2021-03-26 北京邮电大学 一种神经网络训练、检测方法、装置及设备
EP3862927A1 (en) * 2020-02-05 2021-08-11 Another Brain Anomaly detector, method of anomaly detection and method of training an anomaly detector

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10839515B2 (en) * 2017-04-28 2020-11-17 Massachusetts Institute Of Technology Systems and methods for generating and displaying OCT angiography data using variable interscan time analysis

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6285992B1 (en) * 1997-11-25 2001-09-04 Stanley C. Kwasny Neural network based methods and systems for analyzing complex data
WO2016153479A1 (en) * 2015-03-23 2016-09-29 Longsand Limited Scan face of video feed
CN106683073A (zh) * 2015-11-11 2017-05-17 杭州海康威视数字技术股份有限公司 一种车牌的检测方法及摄像机和服务器
WO2019144469A1 (zh) * 2018-01-24 2019-08-01 华讯方舟科技有限公司 一种图像质量分类方法、系统及终端设备
WO2020033900A1 (en) * 2018-08-10 2020-02-13 L3 Security & Detection Systems, Inc. Systems and methods for image processing
CN109376631A (zh) * 2018-10-12 2019-02-22 中国人民公安大学 一种基于神经网络的回环检测方法及装置
WO2020188007A1 (en) * 2019-03-20 2020-09-24 Carl Zeiss Meditec Ag A patient tuned ophthalmic imaging system with single exposure multi-type imaging, improved focusing, and improved angiography image sequence display
CN110738164A (zh) * 2019-10-12 2020-01-31 北京猎户星空科技有限公司 零件异常检测方法、模型训练方法及装置
CN110865084A (zh) * 2019-12-10 2020-03-06 闪电(昆山)智能科技有限公司 基于自学习模式的综丝分离检测系统及方法
CN111178445A (zh) * 2019-12-31 2020-05-19 上海商汤智能科技有限公司 图像处理方法及装置
EP3862927A1 (en) * 2020-02-05 2021-08-11 Another Brain Anomaly detector, method of anomaly detection and method of training an anomaly detector
CN111310760A (zh) * 2020-02-13 2020-06-19 辽宁师范大学 结合局部先验特征和深度卷积特征的甲骨刻辞文字检测方法
CN111767783A (zh) * 2020-04-22 2020-10-13 杭州海康威视数字技术股份有限公司 行为检测、模型训练方法、装置、电子设备及存储介质
CN111695605A (zh) * 2020-05-20 2020-09-22 平安科技（深圳）有限公司 基于oct图像的图像识别方法、服务器及存储介质
WO2021151276A1 (zh) * 2020-05-20 2021-08-05 平安科技（深圳）有限公司 基于oct图像的图像识别方法、装置、设备及存储介质
CN111860429A (zh) * 2020-07-30 2020-10-30 科大讯飞股份有限公司 高炉风口异常检测方法、装置、电子设备和存储介质
CN112560957A (zh) * 2020-12-17 2021-03-26 北京邮电大学 一种神经网络训练、检测方法、装置及设备
CN112287912A (zh) * 2020-12-25 2021-01-29 浙江大华技术股份有限公司 基于深度学习的车道线检测方法以及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Deep-learning framework to detect lung abnormality-A study with chest X-Ray and lung CT scan images;Bhandary等;《Pattern Recognition Letters 》;第129卷;271-278 *
基于卷积神经网络的循环肿瘤细胞智能辨识平台的研制;黎斌;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》(第6期);E072-29 *

Also Published As

Publication number Publication date
CN113724214A (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
US11151721B2 (en) System and method for automatic detection, localization, and semantic segmentation of anatomical objects
Sinclair et al. Human-level performance on automatic head biometrics in fetal ultrasound using fully convolutional neural networks
US11633169B2 (en) Apparatus for AI-based automatic ultrasound diagnosis of liver steatosis and remote medical diagnosis method using the same
US11200693B2 (en) Image processing
US10691980B1 (en) Multi-task learning for chest X-ray abnormality classification
CN111862044B (zh) 超声图像处理方法、装置、计算机设备和存储介质
US11207055B2 (en) Ultrasound Cardiac Doppler study automation
US8343053B2 (en) Detection of structure in ultrasound M-mode imaging
CN106709967B (zh) 一种内窥成像算法及控制系统
US20230005251A1 (en) Diagnostic assistance apparatus and model generation apparatus
US9177379B1 (en) Method and system for identifying anomalies in medical images
US9401021B1 (en) Method and system for identifying anomalies in medical images especially those including body parts having symmetrical properties
JP5784404B2 (ja) 画像処理装置、画像処理方法、及び画像処理プログラム
CN110751636B (zh) 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法
US20220012875A1 (en) Systems and Methods for Medical Image Diagnosis Using Machine Learning
CN113724214B (zh) 一种基于神经网络的图像处理方法及装置
CN113298830A (zh) 一种基于自监督的急性颅内ich区域图像分割方法
CN116912783B (zh) 核酸检测平台的状态监控方法及系统
CN112151167A (zh) 一种基于深度学习的儿童六龄牙龋齿智能筛查方法
Di Cosmo et al. Learning-based median nerve segmentation from ultrasound images for carpal tunnel syndrome evaluation
Kopaczka et al. Super-realtime facial landmark detection and shape fitting by deep regression of shape model parameters
CN116580819B (zh) 用于自动化地确定图像序列中的检查结果的方法和系统
US11786212B1 (en) Echocardiogram classification with machine learning
CN113808105B (zh) 一种基于超声扫查的病灶检测方法
RU2813480C1 (ru) Способ обработки изображений магнитно-резонансной томографии для формирования обучающих данных

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