CN113781468A - 一种基于轻量级卷积神经网络的舌图像分割方法 - Google Patents
一种基于轻量级卷积神经网络的舌图像分割方法 Download PDFInfo
- Publication number
- CN113781468A CN113781468A CN202111116828.XA CN202111116828A CN113781468A CN 113781468 A CN113781468 A CN 113781468A CN 202111116828 A CN202111116828 A CN 202111116828A CN 113781468 A CN113781468 A CN 113781468A
- Authority
- CN
- China
- Prior art keywords
- tongue
- image
- neural network
- segmentation
- convolutional neural
- 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 33
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 26
- 238000003709 image segmentation Methods 0.000 title claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000003745 diagnosis Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 230000002779 inactivation Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 230000015654 memory Effects 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (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)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种基于轻量级卷积神经网络的舌图像分割方法，涉及舌像分割技术领域，首先收集舌象图片建立数据库，然后利用轻量级卷积神经网络训练舌图像分割模型，之后对待分割舌图像进行预处理，使得自然光条件下拍摄出的舌图像经过处理后，图像的质量接近标准光环境下拍摄出的图像，最后进行舌体的分割。本发明有益效果：解决了卷积神经网络应用在可移动嵌入式设备舌象分割中导致分割精确度不够、内存不足和延迟太大的问题。
Description
技术领域
本发明属于舌像分割技术领域，具体涉及一种基于轻量级卷积神经网络的舌图像分割方法。
背景技术
舌诊是中国传统医学的重要诊断方法。近年来，随着神经网络的不断完善和图像处理技术的不断发展，计算机在舌诊上的研究与应用越来越受到人们的关注。舌诊在计算机上的分析与处理包括舌体分割、舌象的特征提取和分类。舌体的分割是舌象特征提取与分析的基础，人的面部特征和舌体有诸多相似之处，为了减小人的面部和人体其它部位对舌象特征提取的影响，舌体的分割是必要的。能够把舌体分割好，在计算机中分析舌诊起到事半功倍的作用。
图像分割是按照一定的要求把图像细分为不同区域的过程，图像分割在图像分析处理中有着非常重要的作用，分割得好坏直接影响后续分析的效果和质量。目前，卷积神经网络以及其他神经网络正在飞速发展和应用。但是为了追求更高的精度，网络模型的深度越来越深，复杂度变得越来越大。可是如此大而深的网络很难应用于移动设备和嵌入式设备当中，因为网络模型太大，会产生移动设备和嵌入式设备内存不够用的问题。此外模型过大也会导致计算量过大，计算量太大会带来响应速度慢的问题，这与移动便携设备往往要求低延迟的需求产生冲突。所以需要一种响应速度快并且占用内存小的网络模型。
发明内容
本发明所要解决的技术问题是提供一种基于轻量级卷积神经网络的舌图像分割方法，解决现有卷积神经网络应用在可移动嵌入式设备进行舌象分割中导致分割精确度不够、内存不足和延迟太大的问题。
本发明为解决上述技术问题所采用的技术方案是：一种基于轻量级卷积神经网络的舌图像分割方法，包括以下步骤：
步骤一、收集舌诊图像建立数据库，包括标准光源固定专业拍照设备拍摄的舌像和可移动设备自然光条件下拍摄的舌像图片，其中移动设备自然光条件下拍摄的舌象图片作为轻量级卷积神经网络的训练集，自然光条件下拍摄的舌象图片作为测试集；
步骤三、构建轻量级卷积神经网络分割模型；
步骤四、使用leaky-relu激活函数，避免卷积神经元失活；
步骤五、使用数据库中的训练集进行网络分割模型的训练；
步骤六、输入测试集舌诊图像，验证舌像分割模型的可行性和鲁棒性；
步骤七、对待分割舌诊图像进行预处理并放到轻量级卷积神经网络分割模型中进行舌体分割。
本发明所述步骤三中构建轻量级卷积神经网络分割模型的具体方法为：
（1）根据舌体颜色与面部颜色的不同，使用基于YCrCb颜色空间Cr，Cb范围筛选法，根据YCrCb颜色模型找出定义好的舌色范围内的像素点，范围外的像素点设置为黑色，获得舌体粗定位区域；
（2）使用轻量级卷积神经网络MobileNetV3结合U-Net框架设计网络分割模型；网络以U-Net框架为主体，利用MobileNetV3深度可分离卷积参数少、计算量小的特点使网络模型变小；
（3）使用MobileNetV3的Bottleneck结构替换U-Net卷积操作，从而实现MobileNetV3和U-Net的结合。
本发明所述步骤七中对待分割舌体图像进行预处理的方法为：
（1）输入待分割舌图像；
（2）对输入的舌图像进行舌体检测，若在舌图像中检测不到舌体就说明舌体太大或太小，或者舌图像中没有舌体，则执行步骤（1），否则执行步骤（3）；
（3）对舌体区域进行失焦检测，使用梯度的统计特征判断画面的模糊程度，通常梯度值越高，画面的边缘信息越丰富，图像越清晰；若画面的清晰度不够则执行步骤（1），否则执行步骤（4）；
（4）对图像进行亮度检测，在HSV彩色空间中对图像的V分量进行直方图统计，计算图像在灰度图上的均值和方差，通过计算灰度图的均值和方差，评估图像是否存在过曝光或曝光不足，若图像的亮度不符合设定的值时，则执行步骤（1），否则执行步骤（5）；
（5）使用多项式回归算法对舌图像进行颜色校正。
本发明的有益效果是：本发明通过使用轻量级卷积神经网络，在保证精确度的同时减小了网络模型，同时提升了计算速度，解决了内存不足的问题；使用图像预处理的方式，使得图像更容易分割，解决因使用可移动嵌入式设备导致拍摄出的舌图像难以使用的问题。
附图说明
图1为本发明舌图像分割方法整体流程示意图。
具体实施方式
本发明提供一种基于轻量级卷积神经网络的舌图像分割方法，本发明中的分割过程由4个部分组成，分别是建立数据库、模型训练、待分割舌图像预处理以及舌体分割，具体过程为：
1. 建舌象数据库
舌诊图像数据库主要选择由中医门诊提供，其次选择GitHub 开源舌像数据集、网络图库和手机拍摄作为补充，最后通过对图片的缩放和旋转与对图片加入噪声的方式增加数据库的数据集。具体作用如下：
（1）舌象数据库包含标准光源固定专业拍照设备拍摄的舌象和可移动设备自然光条件下拍摄的舌象图片，以此保证舌象种类的丰富性。
（2）把标准光源固定专业拍照设备拍摄的舌象图片作为轻量级卷积神经网络的训练集，为舌图像分割做准备。
（3）把自然光条件下拍摄的舌象图片作为测试集，在舌象分割之前需要把自然光条件下拍摄的舌象图片进行深度的处理，使它接近标准光源固定专业拍照设备拍摄的舌象。
把标准光条件下拍摄的舌象图片作为训练集，把自然光条件下拍摄的舌象图片作为测试集，化繁为简才能使分割出的舌体更标准，效果更好。
2. 模型训练
首先对舌体进行粗定位，去除复杂背景。之后，使用以U-Net框架为主题，结合轻量级神经网络MobileNetV3构建舌图像分割模型，具体过程如下：
（1）根据舌体颜色与面部颜色不同，区分舌体和背景。
（2）舌体颜色和人脸背景颜色具有很大的差异，通过肤色检测算法利用颜色特征获得舌体粗定位区域。
（3）利用MobileNetV3深度可分离卷积参数少、计算量小的特点结合U-Net框架设计网络分割模型。
（4）U-Net在保证分割精度的前提下，把传统的卷积操作替换成MobileNetV3的深度可分离卷积，从而减少网络的计算量。
（5）省去部分特征提取，减少网络的卷积层数，使用bottleneck结构提取张量特征。
（6）激活函数用leaky-relu，避免卷积神经元失活。
（7）使用数据库中的训练集进行网络模型的训练。
使用轻量级卷积神经网络MobileNetV3结合U-Net框架设计网络分割模型,具体地，网络以U-Net框架为主体，利用MobileNetV3中的Bottleneck结构的深度可分离卷积参数少、计算量小的特点使网络模型变小；MobileNetV3包含两种不同功能的Bottleneck；第一种是步长为1的Bottleneck，该结构包含三层卷积，第二层是一个3*3的深度可分离卷积，第一层和第三层都是卷积核尺寸为1*1的普通卷积。第二种是步长为2的Bottleneck，结构与步长为1的Bottleneck一致。第一种用来保证网络的分割精度，第二种可以保留更多特征信息。使用Bottleneck结构替换U-Net的传统卷积操作，从而实现MobileNetV3和U-Net的结合。
U-Net的结构分为两个部分，左侧为一个编码器，右侧为一个解码器。编码器有四个子模块，每个子模块包含两个3*3的卷积层，在进行卷积操作的时候，我们使用步长为1的Bottleneck进行卷积，替换3*3的卷积层。编码器的每个子模块之后有一个通过max pool实现的下采样层，在进行下采样的时候，我们使用步长为2的Bottleneck来缩小特征向量尺寸，替换掉原来的max pool下采样层。解码器包含四个子模块，分辨率通过上采样操作依次上升，直到与输入图像的分辨率一致。解码器的每个子模块包含两个3*3的卷积层，在进行卷积操作的时候，我们使用步长为1的Bottleneck进行卷积，替换3*3的卷积层。
因为MobileNetV3存在深度可分离卷积，所以整个网络结构可以学习到如何更好的扩展数据和重新压缩数据。使用这种新的网络模式设计出的模型可以有效降低网络的参数和计算量，同时也能保证舌象分割的精确度，可以很好地应用在可移动嵌入式设备中。
使用MobileNetV3的深度可分离卷积可以明显减小卷积操作的计算量，可以从以下公式看出。若输入特征张量
（
分别代表特征张量的长、宽和通道数），设共有个卷积核
，卷积核为
，普通卷积参数量为：
计算量为：
深度可分离卷积参数量为：
计算量为：
3. 待分割舌图像预处理
图像预处理作为舌象分割的第三层，目的是化繁为简，便于在轻量级卷积神经网络中分割。首先去除舌图像中舌体之外的复杂背景，判断舌图像能否达到分割的条件，若能达到分割条件，就进行颜色校正，然后进行舌体分割，具体过程如下：
（1）对舌体区域进行失焦检测，失焦的主要表现就是画面模糊，衡量画面模糊的主要方法就是梯度的统计特征，通常梯度值越高，画面的边缘信息越丰富，图像越清晰。
（2）进行亮度检测，在HSV彩色空间对图像的V分量进行直方图统计。亮度检测与色偏检测相似，计算图片在灰度图上的均值和方差，当存在亮度异常时，均值会偏离均值点，方差也会偏小；通过计算灰度图的均值和方差，就可评估图像是否存在过曝光或曝光不足。
（3）对舌图像颜色校正，采集的图片颜色与采集环境有很大关系，同一个样本在不同的采集环境下得到的图片颜色是不一样的，所以需要对采集到的舌图像进行颜色校正。使用多项式回归算法进行色彩校正，它的优点有： 需要存储空间少，计算速度快，容易实现。
通过以上过程，图像的预处理即完成，这个结构不仅考虑了舌图像中是否含有舌体这种情况，还考虑了图像的清晰度、曝光度和颜色偏差的情况，进一步细化了图像的预处理过程，减少了最终分割出来的舌体不可用的情况。
4.舌图像分割
将预处理后的待分割舌图像放到轻量级卷积神经网络分割模型中进行舌体分割。
在本发明舌图像分割方法中，为了解决卷积神经网络应用在可移动嵌入式设备舌象分割中导致分割精确度不够、内存不足和延迟太大的问题，通过使用轻量级卷积神经网络，在保证精确度的同时减小网络模型的大小，同时提升计算速度，也解决了内存不足的问题。使用图像预处理的方式，使得图像更容易分割，解决因使用可移动嵌入式设备导致拍摄出的舌图像难以使用的问题。通常舌图像能否达到分割条件需要综合多个因素，需通过舌体检测、失焦检测等进行最终的确定，若图片达不到分割条件应予以舍弃，重新拍摄。
Claims (3)
1.一种基于轻量级卷积神经网络的舌图像分割方法，其特征在于，包括以下步骤：
步骤一、收集舌诊图像建立数据库，包括标准光源固定专业拍照设备拍摄的舌像和可移动设备自然光条件下拍摄的舌像图片，其中移动设备自然光条件下拍摄的舌象图片作为轻量级卷积神经网络的训练集，自然光条件下拍摄的舌象图片作为测试集；
步骤三、构建轻量级卷积神经网络分割模型；
步骤四、使用leaky-relu激活函数，避免卷积神经元失活；
步骤五、使用数据库中的训练集进行网络分割模型的训练；
步骤六、输入测试集舌诊图像，验证舌像分割模型的可行性和鲁棒性；
步骤七、对待分割舌图像进行预处理并放到轻量级卷积神经网络分割模型中进行舌体分割。
2.根据权利要求1所述的一种基于轻量级卷积神经网络的舌图像分割方法，其特征在于，所述步骤三中构建轻量级卷积神经网络分割模型的具体方法为：
（1）根据舌体颜色与面部颜色的不同，使用基于YCrCb颜色空间Cr，Cb范围筛选法，根据YCrCb颜色模型找出定义好的舌色范围内的像素点，范围外的像素点设置为黑色，获得舌体粗定位区域；
（2）使用轻量级卷积神经网络MobileNetV3结合U-Net框架设计网络分割模型；网络以U-Net框架为主体，利用MobileNetV3深度可分离卷积参数少、计算量小的特点使网络模型变小；
（3）使用MobileNetV3的Bottleneck结构替换U-Net卷积操作，从而实现MobileNetV3和U-Net的结合。
3.根据权利要求1所述的一种基于轻量级卷积神经网络的舌图像分割方法，其特征在于，所述步骤七中对待分割舌图像进行预处理的方法为：
（1）输入待分割舌图像；
（2）对输入的舌图像进行舌体检测，若在舌图像中检测不到舌体就说明舌体太大或太小，或者舌图像中没有舌体，则执行步骤（1），否则执行步骤（3）；
（3）对舌体区域进行失焦检测，使用梯度的统计特征判断画面的模糊程度，通常梯度值越高，画面的边缘信息越丰富，图像越清晰；若画面的清晰度不够则执行步骤（1），否则执行步骤（4）；
（4）对图像进行亮度检测，在HSV彩色空间中对图像的V分量进行直方图统计，计算图像在灰度图上的均值和方差，通过计算灰度图的均值和方差，评估图像是否存在过曝光或曝光不足，若图像的亮度不符合设定的值时，则执行步骤（1），否则执行步骤（5）；
（5）使用多项式回归算法对舌图像进行颜色校正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111116828.XA CN113781468B (zh) | 2021-09-23 | 2021-09-23 | 一种基于轻量级卷积神经网络的舌图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111116828.XA CN113781468B (zh) | 2021-09-23 | 2021-09-23 | 一种基于轻量级卷积神经网络的舌图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113781468A true CN113781468A (zh) | 2021-12-10 |
| CN113781468B CN113781468B (zh) | 2024-07-12 |
Family
ID=78852852
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111116828.XA Active CN113781468B (zh) | 2021-09-23 | 2021-09-23 | 一种基于轻量级卷积神经网络的舌图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113781468B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114463346A (zh) * | 2021-12-22 | 2022-05-10 | 成都中医药大学 | 一种基于移动端的复杂环境快速舌分割装置 |
| CN115082461A (zh) * | 2022-08-19 | 2022-09-20 | 成都中医药大学 | 一种基于边缘计算的预判过滤方法及装置 |
| CN117094966A (zh) * | 2023-08-21 | 2023-11-21 | 青岛美迪康数字工程有限公司 | 基于图像扩增的舌图像识别方法、装置和计算机设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107316307A (zh) * | 2017-06-27 | 2017-11-03 | 北京工业大学 | 一种基于深度卷积神经网络的中医舌图像自动分割方法 |
| US20190200918A1 (en) * | 2018-01-03 | 2019-07-04 | Boe Technology Group Co., Ltd. | Tongue-image-based diagnostic system and diagnostic method |
| CN110706232A (zh) * | 2019-09-29 | 2020-01-17 | 五邑大学 | 纹理图像分割方法、电子装置及计算机存储介质 |
| CN110827304A (zh) * | 2018-08-10 | 2020-02-21 | 清华大学 | 一种基于深度卷积网络与水平集方法的中医舌像定位方法和系统 |
-
2021
- 2021-09-23 CN CN202111116828.XA patent/CN113781468B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107316307A (zh) * | 2017-06-27 | 2017-11-03 | 北京工业大学 | 一种基于深度卷积神经网络的中医舌图像自动分割方法 |
| US20190200918A1 (en) * | 2018-01-03 | 2019-07-04 | Boe Technology Group Co., Ltd. | Tongue-image-based diagnostic system and diagnostic method |
| CN110827304A (zh) * | 2018-08-10 | 2020-02-21 | 清华大学 | 一种基于深度卷积网络与水平集方法的中医舌像定位方法和系统 |
| CN110706232A (zh) * | 2019-09-29 | 2020-01-17 | 五邑大学 | 纹理图像分割方法、电子装置及计算机存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| ANDREW HOWARD等: "Searching for MobileNetV3", 2019 IEEE/CVF INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV), 27 February 2020 (2020-02-27) * |
| 张新峰;郭宇桐;蔡轶珩;孙萌;: "基于DCNN和全连接CRF的舌图像分割算法", 北京航空航天大学学报, no. 12, 15 December 2019 (2019-12-15) * |
| 马超;唐治德;唐林;: "图像分割技术在中医舌诊中的应用", 计算机仿真, no. 02, 15 February 2008 (2008-02-15) * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114463346A (zh) * | 2021-12-22 | 2022-05-10 | 成都中医药大学 | 一种基于移动端的复杂环境快速舌分割装置 |
| CN115082461A (zh) * | 2022-08-19 | 2022-09-20 | 成都中医药大学 | 一种基于边缘计算的预判过滤方法及装置 |
| CN115082461B (zh) * | 2022-08-19 | 2022-11-04 | 成都中医药大学 | 一种基于边缘计算的预判过滤方法及装置 |
| CN117094966A (zh) * | 2023-08-21 | 2023-11-21 | 青岛美迪康数字工程有限公司 | 基于图像扩增的舌图像识别方法、装置和计算机设备 |
| CN117094966B (zh) * | 2023-08-21 | 2024-04-05 | 青岛美迪康数字工程有限公司 | 基于图像扩增的舌图像识别方法、装置和计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113781468B (zh) | 2024-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lv et al. | Attention guided low-light image enhancement with a large scale low-light simulation dataset | |
| CN109493350B (zh) | 人像分割方法及装置 | |
| CN110399929B (zh) | 眼底图像分类方法、装置以及计算机可读存储介质 | |
| CN108830855B (zh) | 一种基于多尺度低层特征融合的全卷积网络语义分割方法 | |
| CN113781468B (zh) | 一种基于轻量级卷积神经网络的舌图像分割方法 | |
| CN112330613B (zh) | 一种细胞病理数字图像质量的评价方法及系统 | |
| CN114219719A (zh) | 基于双重注意力和多尺度特征的cnn医学ct图像去噪方法 | |
| CN112348059A (zh) | 基于深度学习的多种染色病理图像分类方法及系统 | |
| CN112085017A (zh) | 基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法 | |
| CN111192241A (zh) | 一种人脸图像的质量评估方法、装置及计算机存储介质 | |
| CN118096584B (zh) | 基于上下文感知和多尺度扩散网络的超声图像增强方法 | |
| US11783454B2 (en) | Saliency map generation method and image processing system using the same | |
| Tan et al. | High dynamic range imaging for dynamic scenes with large-scale motions and severe saturation | |
| Meng et al. | Gia-net: Global information aware network for low-light imaging | |
| CN107784664B (zh) | 一种基于k稀疏的快速鲁棒目标跟踪方法 | |
| Salman et al. | Image Enhancement using Convolution Neural Networks | |
| CN117541574A (zh) | 一种基于ai语义分割和图像识别的舌诊检测方法 | |
| CN115547488A (zh) | 基于vgg卷积神经网络和面部识别孤独症早筛系统及方法 | |
| CN112634126B (zh) | 人像减龄处理方法、训练方法、装置、设备及存储介质 | |
| CN110489584B (zh) | 基于密集连接的MobileNets模型的图像分类方法及系统 | |
| Yi et al. | Attention-model guided image enhancement for robotic vision applications | |
| CN112966620A (zh) | 眼底图像处理方法、模型训练方法及设备 | |
| Patibandla et al. | CT Image Precise Denoising Model with Edge Based Segmentation with Labeled Pixel Extraction Using CNN Based Feature Extraction for Oral Cancer Detection | |
| Liu | Improving Image Stitching Effect using Super-Resolution Technique. | |
| CN113838053B (zh) | 屏幕缺陷的检测方法、装置、设备及存储介质 |
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 |