CN114693552A - 一种基于深度学习的可调节图像优化系统和方法 - Google Patents
一种基于深度学习的可调节图像优化系统和方法 Download PDFInfo
- Publication number
- CN114693552A CN114693552A CN202210303343.XA CN202210303343A CN114693552A CN 114693552 A CN114693552 A CN 114693552A CN 202210303343 A CN202210303343 A CN 202210303343A CN 114693552 A CN114693552 A CN 114693552A
- Authority
- CN
- China
- Prior art keywords
- optimization
- image
- parameter
- optimized
- deep learning
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 162
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000013136 deep learning model Methods 0.000 claims abstract description 44
- 238000002604 ultrasonography Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000001685 thyroid gland Anatomy 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T2207/20061—Hough transform
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于深度学习的可调节图像优化系统和方法,收集若干图像作为原始数据集;配置若干类优化参数以及每类优化参数的若干个参数值;对原始数据集中的每张图像进行预设次数的随机优化,每次随机优化时分别为每个优化参数随机选取一个参数值,以形成一个参数集并作为优化的入参,以获取每张图像的预设次数的优化图像;将原始数据集、优化图像以及对应的参数集作为训练数据集,对构建的深度学习模型进行训练;基于已选取的优化参数的参数值和已训练好的深度学习模型对待优化图像进行优化处理,以获取待优化图像的优化图像。使得深度学习模型对待优化图像的优化会根据输入优化参数的不同进行不同程度的优化。
Description
技术领域
本发明涉及图像处理技术领域以及超声技术领域,尤其涉及一种基于深度学习的可调节图像优化系统和方法。
背景技术
在使用传统的图像算法对超声图像进优化的时候,一般是可以就图像的优化程度做一些参数配置,但使用深度学习做图像优化的算法中,一般的深度学习模型本身是作为一个黑盒来处理的,它不能很好处理除了图像以外的参数,因而不能相应设置一些优化参数,深度学习图像优化很少有能够根据输入参数有一个不同程度的优化。
发明内容
基于上述提出的不足,本发明提供一种基于深度学习的可调节图像优化系统和方法,旨在解决现有技术中深度学习模型对图像进行优化时无法根据外部的输入参数进行一个不同程度的优化等技术问题。
一种基于深度学习的可调节图像优化系统,包括:
模型构建模块,用于预先训练形成一用于图像优化的深度学习模型,所述模型构建模块包括:
收集子模块,用于收集若干图像作为原始数据集;
配置子模块,用于配置若干类优化参数以及每个类优化参数的若干个参数值;
预处理子模块,连接所述收集子模块和所述配置子模块,用于对所述原始数据集中的每张所述图像进行预设次数的随机优化,每次所述随机优化时分别为每类所述优化参数随机选取一个所述参数值,以形成一个参数集并作为所述随机优化的入参,以获取每张所述图像的所述预设次数的优化图像;
训练子模块,分别连接所述采集子模块和所述预处理子模,用于将所述原始数据集、所述优化图像以及对应的所述参数集作为训练数据集,对构建的深度学习模型进行训练;
图像优化模块,连接所述模型构建模块,用于利用已训练好的所述深度学习模型对待优化图像进行优化处理,所述图像优化模块包括:
采集子模块,用于采集待优化图像;
参数子模块,用于选取每个所述优化参数的参数值;
优化子模块,分别连接所述采集子模块和所述参数子模块,用于基于已选取的所述优化参数的参数值和已训练好的所述深度学习模型对所述待优化图像进行优化处理,以获取所述待优化图像的优化图像。
进一步的,所述优化参数的类型包括平滑程度、特征强度、边缘锋利强度以及连接线程度中的多类。
进一步的,每类所述优化参数的参数值所包括的每个所述参数值分别用于表示所述随机优化的一个唯一的优化程度。
进一步的,采用图像优化算法对所述原始数据集中的每张所述图像进行随机优化,所述图像优化算法中,对于每类所述优化参数分别执行不同的处理方式:
针对所述平滑程度采用高斯模糊算法;
针对所述特征强度采用Retinex算法;
针对所述边缘锋利强度采用拉普拉斯增强算法;
针对所述连接线程度采用霍夫直线算法。
进一步的,所述深度学习模型为STGAN优化模型。
进一步的,所述采集子模块5设置于一超声设备中。
进一步的,所述预设次数为8。
一种基于深度学习的可调节图像优化方法,其特征在于,采用前述的一种基于深度学习的可调节图像优化系统,包括:
预先训练形成一用于图像优化的深度学习模型的步骤:
步骤A1,收集若干图像作为原始数据集;
步骤A2,配置若干类优化参数以及每类优化参数的若干个参数值;
步骤A3,对所述原始数据集中的每张所述图像进行预设次数的随机优化,每次所述随机优化时分别为每类所述优化参数随机选取一个所述参数值,以形成一个参数集并作为所述随机优化的入参,以获取每张所述图像的所述预设次数的优化图像;
步骤A4,将所述原始数据集、所述优化图像以及对应的所述参数集作为训练数据集,对构建的深度学习模型进行训练;
利用已训练好的所述深度学习模型对待优化图像进行优化处理的步骤:
步骤B1,采集待优化图像;
步骤B2,选取每个所述优化参数的参数值;
步骤B3,基于已选取的所述优化参数的参数值和已训练好的所述深度学习模型对所述待优化图像进行优化处理,以获取所述待优化图像的优化图像。
进一步的,所述优化参数的类型包括平滑程度、特征强度、边缘锋利强度以及连接线程度中的多类。
进一步的,每类所述优化参数所包括的每个所述参数值分别用于表示所述随机优化的一个唯一的优化程度。
本发明的有益技术效果在于:通过预先对图像进行不同优化参数下不同程度的优化,将参数和优化后的图像作为输入对深度学习模型进行训练,训练后的深度学习模型对待优化图像的优化会根据输入参数的不同进行不同程度的优化,可以获取同一图像的不同优化结果,依次得到最佳优化参数,也可以对不同图像采取相同优化参数进行优化研究不同图像的优化结果。
附图说明
图1为本发明一种基于深度学习的可调节图像优化系统的模型构建模块的示意图;
图2为本发明一种基于深度学习的可调节图像优化系统的图像优化模块的示意图;
图3为本发明一种基于深度学习的可调节图像优化方法的模型构建步骤流程图;
图4为本发明一种基于深度学习的可调节图像优化方法的图像优化步骤流程图。
具体实施方式
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的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。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
参见图1,本发明提供一种基于深度学习的可调节图像优化系统,包括:
模型构建模块,用于预先训练形成一用于图像优化的深度学习模型,模型构建模块包括:
收集子模块1,用于收集若干图像作为原始数据集;
配置子模块2,用于配置若干类优化参数以及每类优化参数的若干个参数值;
预处理子模块3,连接收集子模块1和配置子模块2,用于对原始数据集中的每张图像进行预设次数的随机优化,每次随机优化时分别为每个优化参数随机选取参数值,以形成一个参数集并作为优化的入参,以获取每张图像的预设次数的优化图像;
训练子模块4,分别连接采集子模块1和预处理子模3,用于将原始数据集、优化图像以及对应的参数集作为训练数据集,对构建的深度学习模型进行训练;
图像优化模块,连接所述模型构建模块,用于利用已训练好的深度学习模型对待优化图像进行优化处理,图像优化模块包括:
采集子模块5,用于采集待优化图像;
参数子模块6,用于选取每个优化参数的参数值;
优化子模块7,分别连接采集子模块5和参数子模块6,用于基于已选取的优化参数的参数值和已训练好的深度学习模型对待优化图像进行优化处理,以获取待优化图像的优化图像。
进一步的,预设次数为8。
进一步的,优化参数的类型包括平滑程度、特征强度、边缘锋利强度以及连接线程度中的多类。
进一步的,每类优化参数的参数值所包括的每个所述参数值分别用于表示所述随机优化的一个唯一的优化程度,包括从不进行优化程度到完全优化程度,共分为10个参数值。
进一步的,采用图像优化算法对原始数据集中的每张图像进行随机优化,图像优化算法中,对于每类所述优化参数分别执行不同的处理方式:
针对所述平滑程度采用高斯模糊算法;
针对所述特征强度采用Retinex算法;
针对所述边缘锋利强度采用拉普拉斯增强算法;
针对所述连接线程度采用霍夫直线算法。
进一步的,深度学习模型为STGAN优化模型。
通过将STGAN迁移到图像优化方向上,结合传统的图像优化算法,构建出一套可以响应优化参数的深度学习模型。
所述采集子模块5设置于一超声设备中。
具体的,作为原始数据集的图像是超声图像。
具体的,超声图像是甲状腺图像。
具体的,假设原始数据集中有n张图像,本发明通过opencv构建一套传统的图像优化算法Op,图像优化算法的输入的优化参数包括平滑程度、特征强度、边缘锋利强度、连接线强度4个,每个优化参数设置从0到9共10个参数值,即10个等级,参数值0表示不优化的程度,参数值9表示完全优化的程度。对于原始数据集中的每张图像都是用图像优化算法进行随机优化,得到优化图像,每次随机优化随机选取4个优化参数的参数参数值形成参数集,例如随机选取的一个参数集为[4,5,3,8],代表平滑程度的参数值为4、特征强度的参数值为5、边缘锋利强度的参数值为3、连接线强度的参数值为8。如果对每张图像随机进行8次优化,则原始数据集优化后会得到8n张优化图像,对应的参数集数量也为8n。将8n张优化图像、8n个参数集和原始数据集构建训练数据集,对深度学习模型例如STGAN优化模型进行训练。
获取训练好的深度学习模型之后,采集超声图像,设置参数集,例如如果想要平滑程度好一点,可以将参数集中平滑程度这一优化参数的参数值设置高些,将设置好参数值的优化参数形成的参数集以及超声图像作为输入,经深度学习模型处理后获取超声图像的优化图像。实现响应优化参数的图像优化。
根据本发明训练的深度学习模型,使用深度学习模型进行图像优化时,可以就同一个深度学习模型实现不同的优化效果,并且不同的优化效果完全取决于自定义的不同优化参数的参数值,相比于其他的深度学习模型优化方法具有更高的效率。通过本发明的一种基于深度学习的可调节图像优化系统,利用获取的深度学习模型,对同一张待优化图像,可以选取不同的参数集实现各方面的优化,得到不同的优化图像,可以用来研究同一图像例如同一医学病灶所需要的最佳的优化参数的参数值。对于不同图像,可以使用相同的参数集对不同图像进行优化,以此来研究单个优化参数在不同图像例如不同医学病灶的表现。
具体的,使用pytorch框架训练STGAN优化模型。
深度学习模型可以部署在超声设备中。
进一步的,采集子模块5为超声设备。
参加图2,本发明还提供一种基于深度学习的可调节图像优化方法,采用如前述的一种基于深度学习的可调节图像优化系统,包括:
预先训练形成一用于图像优化的深度学习模型的步骤:
步骤A1,收集若干图像作为原始数据集;
步骤A2,配置若干类优化参数以及每类优化参数的若干个参数值;
步骤A3,对原始数据集中的每张图像进行预设次数的随机优化,每次随机优化时分别为每个优化参数随机选取一个参数值,以形成一个参数集并作为优化的入参,以获取每张图像的预设次数的优化图像;
步骤A4,将原始数据集、优化图像以及对应的参数集作为训练数据集,对构建的深度学习模型进行训练;
利用已训练好的深度学习模型对待优化图像进行优化处理的步骤:
步骤B1,采集待优化图像;
步骤B2,选取每个优化参数的参数值;
步骤B3,基于已选取的优化参数的参数值和已训练好的深度学习模型对待优化图像进行优化处理,以获取待优化图像的优化图像。
进一步的,优化参数的类型包括平滑程度、特征强度、边缘锋利强度以及连接线程度中的多类。
进一步的,每类优化参数的参数值所包括的每个所述参数值分别用于表示所述随机优化的一个唯一的优化程度,从不进行优化程度到完全优化程度,共分为10个参数值。
以上仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (10)
1.一种基于深度学习的可调节图像优化系统,其特征在于,包括:
模型构建模块,用于预先训练形成一用于图像优化的深度学习模型,所述模型构建模块包括:
收集子模块,用于收集若干图像作为原始数据集;
配置子模块,用于配置若干类优化参数以及每个类优化参数的若干个参数值;
预处理子模块,连接所述收集子模块和所述配置子模块,用于对所述原始数据集中的每张所述图像进行预设次数的随机优化,每次所述随机优化时分别为每类所述优化参数随机选取一个所述参数值,以形成一个参数集并作为所述随机优化的入参,以获取每张所述图像的所述预设次数的优化图像;
训练子模块,分别连接所述采集子模块和所述预处理子模,用于将所述原始数据集、所述优化图像以及对应的所述参数集作为训练数据集,对构建的深度学习模型进行训练;
图像优化模块,连接所述模型构建模块,用于利用已训练好的所述深度学习模型对待优化图像进行优化处理,所述图像优化模块包括:
采集子模块,用于采集待优化图像;
参数子模块,用于选取每个所述优化参数的参数值;
优化子模块,分别连接所述采集子模块和所述参数子模块,用于基于已选取的所述优化参数的参数值和已训练好的所述深度学习模型对所述待优化图像进行优化处理,以获取所述待优化图像的优化图像。
2.如权利要求1所述的一种基于深度学习的可调节图像优化系统,其特征在于,所述优化参数的类型包括平滑程度、特征强度、边缘锋利强度以及连接线程度中的多类。
3.如权利要求2所述的一种基于深度学习的可调节图像优化系统,其特征在于,每类所述优化参数的参数值所包括的每个所述参数值分别用于表示所述随机优化的一个唯一的优化程度。
4.如权利要求2所述的一种基于深度学习的可调节图像优化系统,其特征在于,采用图像优化算法对所述原始数据集中的每张所述图像进行随机优化,所述图像优化算法中,对于每类所述优化参数分别执行不同的处理方式:
针对所述平滑程度采用高斯模糊算法;
针对所述特征强度采用Retinex算法;
针对所述边缘锋利强度采用拉普拉斯增强算法;
针对所述连接线程度采用霍夫直线算法。
5.如权利要求1所述的一种基于深度学习的可调节图像优化系统,其特征在于,所述深度学习模型为STGAN优化模型。
6.如权利要求1所述的一种基于深度学习的可调节图像优化系统,其特征在于,所述采集子模块5设置于一超声设备中。
7.如权利要求1所述的一种基于深度学习的可调节图像优化系统,其特征在于,所述预设次数为8。
8.一种基于深度学习的可调节图像优化方法,其特征在于,采用如权利要求1-7任意一项所述的一种基于深度学习的可调节图像优化系统,包括:
预先训练形成一用于图像优化的深度学习模型的步骤:
步骤A1,收集若干图像作为原始数据集;
步骤A2,配置若干类优化参数以及每类优化参数的若干个参数值;
步骤A3,对所述原始数据集中的每张所述图像进行预设次数的随机优化,每次所述随机优化时分别为每类所述优化参数随机选取一个所述参数值,以形成一个参数集并作为所述随机优化的入参,以获取每张所述图像的所述预设次数的优化图像;
步骤A4,将所述原始数据集、所述优化图像以及对应的所述参数集作为训练数据集,对构建的深度学习模型进行训练;
利用已训练好的所述深度学习模型对待优化图像进行优化处理的步骤:
步骤B1,采集待优化图像;
步骤B2,选取每个所述优化参数的参数值;
步骤B3,基于已选取的所述优化参数的参数值和已训练好的所述深度学习模型对所述待优化图像进行优化处理,以获取所述待优化图像的优化图像。
9.如权利要求8所述的一种基于深度学习的可调节图像优化方法,其特征在于,所述优化参数的类型包括平滑程度、特征强度、边缘锋利强度以及连接线程度中的多类。
10.如权利要求9所述的一种基于深度学习的可调节图像优化方法,其特征在于,每类所述优化参数所包括的每个所述参数值分别用于表示所述随机优化的一个唯一的优化程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210303343.XA CN114693552A (zh) | 2022-03-25 | 2022-03-25 | 一种基于深度学习的可调节图像优化系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210303343.XA CN114693552A (zh) | 2022-03-25 | 2022-03-25 | 一种基于深度学习的可调节图像优化系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114693552A true CN114693552A (zh) | 2022-07-01 |
Family
ID=82139577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210303343.XA Pending CN114693552A (zh) | 2022-03-25 | 2022-03-25 | 一种基于深度学习的可调节图像优化系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114693552A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115249245A (zh) * | 2022-09-22 | 2022-10-28 | 深圳华声医疗技术股份有限公司 | 超声成像参数优化方法、装置、计算机设备及存储介质 |
-
2022
- 2022-03-25 CN CN202210303343.XA patent/CN114693552A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115249245A (zh) * | 2022-09-22 | 2022-10-28 | 深圳华声医疗技术股份有限公司 | 超声成像参数优化方法、装置、计算机设备及存储介质 |
CN115249245B (zh) * | 2022-09-22 | 2022-12-23 | 深圳华声医疗技术股份有限公司 | 超声成像参数优化方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921942B (zh) | 对图像进行2d转制3d的方法及装置 | |
KR102347496B1 (ko) | 방사선 치료 계획 수립을 위한 인공지능 기반의 장기 및 종양 이미지 분할 시스템 및 방법 | |
CN110827260B (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
CN107135664A (zh) | 一种人脸识别的方法以及人脸识别装置 | |
CN110033417A (zh) | 一种基于深度学习的图像增强方法 | |
CN111179275B (zh) | 一种医学超声图像分割方法 | |
CN109242842A (zh) | 基于图像识别的人类染色体分析装置、设备及存储介质 | |
CN114663685B (zh) | 一种行人重识别模型训练的方法、装置和设备 | |
CN112541422A (zh) | 光照和头部姿态鲁棒的表情识别方法、设备及存储介质 | |
CN106339984A (zh) | 基于k均值驱动卷积神经网络的分布式图像超分辨方法 | |
CN114693552A (zh) | 一种基于深度学习的可调节图像优化系统和方法 | |
CN110738660A (zh) | 基于改进U-net的脊椎CT图像分割方法及装置 | |
CN116312782A (zh) | 一种融合影像基因数据的空间转录组spot区域聚类方法 | |
CN110070548A (zh) | 一种深度学习训练样本优化方法 | |
CN115410087A (zh) | 一种基于改进YOLOv4的输电线路异物检测方法 | |
CN109191413A (zh) | 一种基于改进型卷积神经网络的多聚焦图像融合方法 | |
CN116665092A (zh) | 基于ia-yolov7的污水悬浮物识别方法及系统 | |
CN111160428A (zh) | 基于cnn-svm算法蔬菜自动识别方法 | |
Sallam et al. | Diabetic retinopathy grading using resnet convolutional neural network | |
CN105631451A (zh) | 一种基于安卓系统的植物叶片识别方法 | |
CN115965844B (zh) | 基于视觉显著性先验知识的多聚焦图像融合方法 | |
CN105719257B (zh) | 图像超高密度椒盐噪声的降除方法 | |
CN115393470B (zh) | 一种文物数字线图的绘制方法、绘制系统及绘制装置 | |
CN111881803A (zh) | 一种基于改进YOLOv3的畜脸识别方法 | |
CN115937040A (zh) | 一种辅助档案数字化的图像去噪方法 |
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 |