CN114782408A - 基于多尺度与注意力机制的ct图像盲去噪方法 - Google Patents
基于多尺度与注意力机制的ct图像盲去噪方法 Download PDFInfo
- Publication number
- CN114782408A CN114782408A CN202210562376.6A CN202210562376A CN114782408A CN 114782408 A CN114782408 A CN 114782408A CN 202210562376 A CN202210562376 A CN 202210562376A CN 114782408 A CN114782408 A CN 114782408A
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- module
- denoising
- scale
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000007246 mechanism Effects 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 37
- 230000004927 fusion Effects 0.000 claims abstract description 31
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 19
- 210000001503 joint Anatomy 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000007499 fusion processing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于多尺度与注意力机制的CT图像盲去噪方法，具体包括以下步骤：步骤一、特征融合；步骤二、权重分配；步骤三、去噪处理；步骤四、对比筛除；本发明涉及图像处理技术领域。该基于多尺度与注意力机制的CT图像盲去噪方法，利用注意力机制进行权重重分配，输出关键细节特征表达更充分的特征图，为噪音级别的认证提供帮助，且通过不同级别噪音的采样处理，实现不同级别噪音特征图的有效收集，在对待去噪CT图像进行去噪处理时，能够精准有效的检索出对应级别的噪音，进而选择与之适配的去噪模型，保证去噪后CT图像的清晰度，配合残差网络的设置，有效降低图像特征集的训练负担，为CT图像去噪的鲁棒性提供良好保障。
Description
技术领域
本发明涉及图像处理技术领域，具体为基于多尺度与注意力机制的CT图像盲去噪方法。
背景技术
现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响，称为含噪图像或噪声图像，图像去噪就是指减少数字图像中噪声的过程。
医学CT图像大多数为灰度图像，边界模糊，具有噪声，对比度差，因此传统特征表示方法很难捕捉到其特征的细微差异，同一组织对于不同病人、不同模态、不同成像设备来说其影像存在一定差异，甚至同一模态不同帧之间也可能存在差异。
常规的医学CT图像采用机器学习的图像去噪进行去噪，这类方法的目标是使用噪声和清晰图像配对的训练数据集进行训练来学习潜在的噪声模型，目前的方法需要针对不同噪声级别来训练不同的去噪模型，其中针对不同噪声级别的认定较为简陋，无法有效识别出对应的噪声级别，往往无法精准的选择对应的去噪模型进行去噪处理，导致最终的CT图像去噪效果较差。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了基于多尺度与注意力机制的CT图像盲去噪方法，解决了针对不同噪声级别的认定较为简陋，无法有效识别出对应的噪声级别，往往无法精准的选择对应的去噪模型进行去噪处理，导致最终的CT图像去噪效果较差的问题。
(二)技术方案
为实现上述目的，本发明提供了如下技术方案：基于多尺度与注意力机制的CT图像盲去噪方法，具体包括以下步骤：
步骤一、特征融合：通过特征融合单元对不同的带指定级别噪声的CT图像放大不同尺度的倍数后进行采样处理，获得不同尺度倍数下的细节特征和噪音信息，随后对不同尺度倍数下的带级别噪声的CT图像采样分别进行特征融合处理，获得不同的特征图；
步骤二、权重分配：权重分配单元引入基于通道的注意力机制，步骤一中不同的特征图通过不同的通道传输到权重分配单元中，过程中，利用NLM算法中对不同通道之间特征图的相似度进行计算，随后根据相似度对不同通道进行权重重分配，经过归一化指数函数计算得到输入特征图对应的通道，实现注意力重分配，同时引入残差网络对图像特征进行噪声图像的图像特征提取，构建针对指定级别噪声的图像特征集；
步骤三、去噪处理：通过去噪处理单元集成针对指定噪音的去噪方式，结合步骤二中的指定级别噪音对应的图像特征集，构建指定级别噪音与对应盲去噪方式的映射关系；
步骤四、对比筛除：向对比筛除单元中输入待处理带噪声CT图像，经过步骤一和步骤二的处理后，得到待处理带噪声CT图像的图像特征，与步骤二中图像特征集中的图像特征进行相似度对比，确定对应级别的噪声，根据步骤三中建立的映射关系，选择对应的盲去噪方式，实现待处理带噪声CT图像的盲去噪处理。
通过采用上述技术方案，利用注意力机制进行权重重分配，输出关键细节特征表达更充分的特征图，进而为噪音级别的认证提供帮助，且通过不同级别噪音的采样处理，实现不同级别噪音特征图的有效收集，进而在对待去噪CT图像进行去噪处理时，能够精准有效的检索出对应级别的噪音，进而选择与之适配的去噪模型，保证去噪后CT图像的清晰度，并且配合残差网络的设置，有效降低图像特征集的训练负担，为CT图像去噪的鲁棒性提供良好保障。
本发明进一步设置为：所述特征融合单元包括多尺度提取模块和特征融合模块，所述多尺度提取模块与特征融合模块对接。
本发明进一步设置为：所述多尺度提取模块用于对不同的带指定级别噪声的CT图像放大不同尺度的倍数后进行采样处理，获得不同尺度倍数下的细节特征和噪音信息；
所述特征融合模块用于对不同尺度倍数下的带级别噪声的CT图像采样分别进行特征融合处理，获得不同的特征图。
通过采用上述技术方案，通过多尺度提取模块提取不同尺度的细节特征以及噪声信息，具备细节特征的表达能力强优势的同时，利用特征融合模块进行不同尺度特征的融合，避免细节特征模糊表达的情况出现，从而得到更具有判别性的特征。
本发明进一步设置为：所述权重分配单元包括相似度计算模块、权重分配模块和特征集存储模块，所述相似度计算模块与权重分配模块对接，所述权重分配模块与特征集存储模块对接。
本发明进一步设置为：所述相似度计算模块用于引入基于通道的注意力机制，特征融合单元中不同的特征图通过不同的通道传输到相似度计算模块中，过程中，利用NLM算法中对不同通道之间特征图的相似度进行计算；
所述权重分配模块用于根据相似度对不同通道进行权重重分配，经过归一化指数函数计算得到输入特征图对应的通道，实现注意力重分配；
所述特征集存储模块用于引入残差网络对图像特征进行噪声图像的图像特征提取，构建针对指定级别噪声的图像特征集。
通过采用上述技术方案，引入基于通道的注意力机制，自适应的提取更显著的噪声特征，提高噪声特征提取能力的同时，为指定级别噪声与对应盲去噪方式之间映射关系的建立提供精准的保障。
本发明进一步设置为：所述去噪处理单元包括盲去噪集成模块和映射搭建模块，所述盲去噪集成模块与映射搭建模块对接。
本发明进一步设置为：所述盲去噪集成模块用于集成针对指定噪音的去噪方式；
所述映射搭建模块结合权重分配单元中的指定级别噪音对应的图像特征集，构建指定级别噪音与对应盲去噪方式的映射关系。
本发明进一步设置为：所述对比筛除单元包括对比筛选模块、映射导引模块和去噪处理模块；
所述对比筛选模块用于接收待处理带噪声CT图像，经过特征融合单元和权重分配单元的处理后，得到待处理带噪声CT图像的图像特征，与权重分配单元中图像特征集中的图像特征进行相似度对比，确定对应级别的噪声；
所述映射导引模块用于根据去噪处理单元中建立的映射关系，选择对应的盲去噪方式；
所述去噪处理模块用于运行对应盲去噪方式，实现待处理带噪声CT图像的盲去噪处理。
(三)有益效果
本发明提供了基于多尺度与注意力机制的CT图像盲去噪方法。具备以下有益效果：
(1)该基于多尺度与注意力机制的CT图像盲去噪方法，利用注意力机制进行权重重分配，输出关键细节特征表达更充分的特征图，进而为噪音级别的认证提供帮助，且通过不同级别噪音的采样处理，实现不同级别噪音特征图的有效收集，进而在对待去噪CT图像进行去噪处理时，能够精准有效的检索出对应级别的噪音，进而选择与之适配的去噪模型，保证去噪后CT图像的清晰度，并且配合残差网络的设置，有效降低图像特征集的训练负担，为CT图像去噪的鲁棒性提供良好保障。
(2)该基于多尺度与注意力机制的CT图像盲去噪方法，通过多尺度提取模块提取不同尺度的细节特征以及噪声信息，具备细节特征的表达能力强优势的同时，利用特征融合模块进行不同尺度特征的融合，避免细节特征模糊表达的情况出现，从而得到更具有判别性的特征。
(3)该基于多尺度与注意力机制的CT图像盲去噪方法，通过引入基于通道的注意力机制，自适应的提取更显著的噪声特征，提高噪声特征提取能力的同时，为指定级别噪声与对应盲去噪方式之间映射关系的建立提供精准的保障。
附图说明
图1为本发明的流程示意图；
图2为本发明特征融合单元的系统原理框图；
图3为本发明权重分配单元的系统原理框图；
图4为本发明去噪处理单元的系统原理框图；
图5为本发明对比筛除单元的系统原理框图。
图中，1、特征融合单元；2、权重分配单元；3、去噪处理单元；4、对比筛除单元；5、多尺度提取模块；6、特征融合模块；7、相似度计算模块；8、权重分配模块；9、特征集存储模块；10、盲去噪集成模块；11、映射搭建模块；12、对比筛选模块；13、映射导引模块；14、去噪处理模块。
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做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。
请参阅图1-5，本发明实施例提供一种技术方案：基于多尺度与注意力机制的CT图像盲去噪方法，具体包括以下步骤：
步骤一、特征融合：通过多尺度提取模块5对不同的带指定级别噪声的CT图像放大不同尺度的倍数后进行采样处理，获得不同尺度倍数下的细节特征和噪音信息，随后特征融合模块6对不同尺度倍数下的带级别噪声的CT图像采样分别进行特征融合处理，获得不同的特征图；
步骤二、权重分配：相似度计算模块7引入基于通道的注意力机制，步骤一中不同的特征图通过不同的通道传输到相似度计算模块7中，过程中，利用NLM算法中对不同通道之间特征图的相似度进行计算，随后权重分配模块8根据相似度对不同通道进行权重重分配，经过归一化指数函数计算得到输入特征图对应的通道，实现注意力重分配，此时输出的特征图中的关键细节特征相对于原特征图得到了更充分的表达，同时特征集存储模块9引入残差网络对图像特征进行噪声图像的图像特征提取，构建针对指定级别噪声的图像特征集；
步骤三、去噪处理：通过盲去噪集成模块10集成针对指定噪音的去噪方式，映射搭建模块11结合步骤二中的指定级别噪音对应的图像特征集，构建指定级别噪音与对应盲去噪方式的映射关系；
步骤四、对比筛除：向对比筛选模块12中输入待处理带噪声CT图像，经过步骤一和步骤二的处理后，得到待处理带噪声CT图像的图像特征，与步骤二中图像特征集中的图像特征进行相似度对比，确定对应级别的噪声，映射导引模块13根据步骤三中建立的映射关系，选择对应的盲去噪方式，去噪处理模块14运行对应盲去噪方式，实现待处理带噪声CT图像的盲去噪处理。
作为详细说明，为了避免细节特征模糊表达的情况出现，从而得到更具有判别性的特征，如附图2所示，特征融合单元1包括多尺度提取模块5和特征融合模块6，多尺度提取模块5用于对不同的带指定级别噪声的CT图像放大不同尺度的倍数后进行采样处理，获得不同尺度倍数下的细节特征和噪音信息；
多尺度提取模块5与特征融合模块6对接，特征融合模块6用于对不同尺度倍数下的带级别噪声的CT图像采样分别进行特征融合处理，获得不同的特征图。
作为优选方案，为了向指定级别噪声与对应盲去噪方式之间映射关系的建立提供精准的保障，如附图3所示，权重分配单元2包括相似度计算模块7、权重分配模块8和特征集存储模块9，相似度计算模块7用于引入基于通道的注意力机制，特征融合单元1中不同的特征图通过不同的通道传输到相似度计算模块7中，过程中，利用NLM算法中对不同通道之间特征图的相似度进行计算；
相似度计算模块7与权重分配模块8对接，权重分配模块8用于根据相似度对不同通道进行权重重分配，经过归一化指数函数计算得到输入特征图对应的通道，实现注意力重分配；
权重分配模块8与特征集存储模块9对接，特征集存储模块9用于引入残差网络对图像特征进行噪声图像的图像特征提取，构建针对指定级别噪声的图像特征集。
作为优选方案，如附图4所示，去噪处理单元3包括盲去噪集成模块10和映射搭建模块11，盲去噪集成模块10用于集成针对指定噪音的去噪方式；
盲去噪集成模块10与映射搭建模块11对接，映射搭建模块11结合权重分配单元2中的指定级别噪音对应的图像特征集，构建指定级别噪音与对应盲去噪方式的映射关系。
作为优选方案，如附图5所示，对比筛除单元4包括对比筛选模块12、映射导引模块13和去噪处理模块14，对比筛选模块12用于接收待处理带噪声CT图像，经过特征融合单元1和权重分配单元2的处理后，得到待处理带噪声CT图像的图像特征，与权重分配单元2中图像特征集中的图像特征进行相似度对比，确定对应级别的噪声；
映射导引模块13用于根据去噪处理单元3中建立的映射关系，选择对应的盲去噪方式；
去噪处理模块14用于运行对应盲去噪方式，实现待处理带噪声CT图像的盲去噪处理。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.基于多尺度与注意力机制的CT图像盲去噪方法，其特征在于：具体包括以下步骤：
步骤一、特征融合：通过特征融合单元(1)对不同的带指定级别噪声的CT图像放大不同尺度的倍数后进行采样处理，获得不同尺度倍数下的细节特征和噪音信息，随后对不同尺度倍数下的带级别噪声的CT图像采样分别进行特征融合处理，获得不同的特征图；
步骤二、权重分配：权重分配单元(2)引入基于通道的注意力机制，步骤一中不同的特征图通过不同的通道传输到权重分配单元(2)中，过程中，利用NLM算法中对不同通道之间特征图的相似度进行计算，随后根据相似度对不同通道进行权重重分配，经过归一化指数函数计算得到输入特征图对应的通道，此时输出的特征图中的关键细节特征相对于原特征图得到了更充分的表达，实现注意力重分配，同时引入残差网络对图像特征进行噪声图像的图像特征提取，构建针对指定级别噪声的图像特征集；
步骤三、去噪处理：通过去噪处理单元(3)集成针对指定噪音的去噪方式，结合步骤二中的指定级别噪音对应的图像特征集，构建指定级别噪音与对应盲去噪方式的映射关系；
步骤四、对比筛除：向对比筛除单元(4)中输入待处理带噪声CT图像，经过步骤一和步骤二的处理后，得到待处理带噪声CT图像的图像特征，与步骤二中图像特征集中的图像特征进行相似度对比，确定对应级别的噪声，根据步骤三中建立的映射关系，选择对应的盲去噪方式，实现待处理带噪声CT图像的盲去噪处理。
2.根据权利要求1所述的基于多尺度与注意力机制的CT图像盲去噪方法，其特征在于：所述特征融合单元(1)包括多尺度提取模块(5)和特征融合模块(6)，所述多尺度提取模块(5)与特征融合模块(6)对接。
3.根据权利要求2所述的基于多尺度与注意力机制的CT图像盲去噪方法，其特征在于：所述多尺度提取模块(5)用于对不同的带指定级别噪声的CT图像放大不同尺度的倍数后进行采样处理，获得不同尺度倍数下的细节特征和噪音信息；
所述特征融合模块(6)用于对不同尺度倍数下的带级别噪声的CT图像采样分别进行特征融合处理，获得不同的特征图。
4.根据权利要求1所述的基于多尺度与注意力机制的CT图像盲去噪方法，其特征在于：所述权重分配单元(2)包括相似度计算模块(7)、权重分配模块(8)和特征集存储模块(9)，所述相似度计算模块(7)与权重分配模块(8)对接，所述权重分配模块(8)与特征集存储模块(9)对接。
5.根据权利要求4所述的基于多尺度与注意力机制的CT图像盲去噪方法，其特征在于：所述相似度计算模块(7)用于引入基于通道的注意力机制，特征融合单元(1)中不同的特征图通过不同的通道传输到相似度计算模块(7)中，过程中，利用NLM算法中对不同通道之间特征图的相似度进行计算；
所述权重分配模块(8)用于根据相似度对不同通道进行权重重分配，经过归一化指数函数计算得到输入特征图对应的通道，实现注意力重分配；
所述特征集存储模块(9)用于引入残差网络对图像特征进行噪声图像的图像特征提取，构建针对指定级别噪声的图像特征集。
6.根据权利要求1所述的基于多尺度与注意力机制的CT图像盲去噪方法，其特征在于：所述去噪处理单元(3)包括盲去噪集成模块(10)和映射搭建模块(11)，所述盲去噪集成模块(10)与映射搭建模块(11)对接。
7.根据权利要求6所述的基于多尺度与注意力机制的CT图像盲去噪方法，其特征在于：所述盲去噪集成模块(10)用于集成针对指定噪音的去噪方式；
所述映射搭建模块(11)结合权重分配单元(2)中的指定级别噪音对应的图像特征集，构建指定级别噪音与对应盲去噪方式的映射关系。
8.根据权利要求1所述的基于多尺度与注意力机制的CT图像盲去噪方法，其特征在于：所述对比筛除单元(4)包括对比筛选模块(12)、映射导引模块(13)和去噪处理模块(14)；
所述对比筛选模块(12)用于接收待处理带噪声CT图像，经过特征融合单元(1)和权重分配单元(2)的处理后，得到待处理带噪声CT图像的图像特征，与权重分配单元(2)中图像特征集中的图像特征进行相似度对比，确定对应级别的噪声；
所述映射导引模块(13)用于根据去噪处理单元(3)中建立的映射关系，选择对应的盲去噪方式；
所述去噪处理模块(14)用于运行对应盲去噪方式，实现待处理带噪声CT图像的盲去噪处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210562376.6A CN114782408A (zh) | 2022-05-23 | 2022-05-23 | 基于多尺度与注意力机制的ct图像盲去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210562376.6A CN114782408A (zh) | 2022-05-23 | 2022-05-23 | 基于多尺度与注意力机制的ct图像盲去噪方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114782408A true CN114782408A (zh) | 2022-07-22 |
Family
ID=82407907
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210562376.6A Pending CN114782408A (zh) | 2022-05-23 | 2022-05-23 | 基于多尺度与注意力机制的ct图像盲去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114782408A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116486183A (zh) * | 2023-06-21 | 2023-07-25 | 耕宇牧星(北京)空间科技有限公司 | 基于多种注意力权重融合特征的sar图像建筑区分类方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110197183A (zh) * | 2019-04-17 | 2019-09-03 | 深圳大学 | 一种图像盲去噪的方法、装置和计算机设备 |
| CN111028171A (zh) * | 2019-12-06 | 2020-04-17 | 北京金山云网络技术有限公司 | 确定图像噪声等级的方法、装置和服务器 |
| CN111275643A (zh) * | 2020-01-20 | 2020-06-12 | 西南科技大学 | 基于通道和空间注意力的真实噪声盲去噪网络模型及方法 |
| CN111667424A (zh) * | 2020-05-28 | 2020-09-15 | 武汉大学 | 一种基于无监督的真实图像去噪方法 |
| US20210216416A1 (en) * | 2020-01-09 | 2021-07-15 | Fujitsu Limited | Noise estimation method, non-transitory computer-readable storage medium, and noise estimation apparatus |
| CN116739934A (zh) * | 2023-06-20 | 2023-09-12 | 南京工业大学 | 基于多尺度与注意力机制的ct图像盲去噪方法 |
-
2022
- 2022-05-23 CN CN202210562376.6A patent/CN114782408A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110197183A (zh) * | 2019-04-17 | 2019-09-03 | 深圳大学 | 一种图像盲去噪的方法、装置和计算机设备 |
| CN111028171A (zh) * | 2019-12-06 | 2020-04-17 | 北京金山云网络技术有限公司 | 确定图像噪声等级的方法、装置和服务器 |
| US20210216416A1 (en) * | 2020-01-09 | 2021-07-15 | Fujitsu Limited | Noise estimation method, non-transitory computer-readable storage medium, and noise estimation apparatus |
| CN111275643A (zh) * | 2020-01-20 | 2020-06-12 | 西南科技大学 | 基于通道和空间注意力的真实噪声盲去噪网络模型及方法 |
| CN111667424A (zh) * | 2020-05-28 | 2020-09-15 | 武汉大学 | 一种基于无监督的真实图像去噪方法 |
| CN116739934A (zh) * | 2023-06-20 | 2023-09-12 | 南京工业大学 | 基于多尺度与注意力机制的ct图像盲去噪方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116486183A (zh) * | 2023-06-21 | 2023-07-25 | 耕宇牧星(北京)空间科技有限公司 | 基于多种注意力权重融合特征的sar图像建筑区分类方法 |
| CN116486183B (zh) * | 2023-06-21 | 2023-09-26 | 耕宇牧星(北京)空间科技有限公司 | 基于多种注意力权重融合特征的sar图像建筑区分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110009623B (zh) | 一种图像识别模型训练及图像识别方法、装置及系统 | |
| US11488302B2 (en) | Object recognition method and device, and storage medium | |
| CN109919928B (zh) | 医学影像的检测方法、装置和存储介质 | |
| US20220180521A1 (en) | Image processing method and apparatus, and electronic device, storage medium and computer program | |
| WO2021057536A1 (zh) | 一种图像处理方法、装置、计算机设备以及存储介质 | |
| CN111325750B (zh) | 一种基于多尺度融合u型链神经网络的医学图像分割方法 | |
| WO2021003821A1 (zh) | 一种肾小球病理切片图像的细胞检测方法、装置及设备 | |
| CN113314205A (zh) | 一种高效的医学影像标注与学习系统 | |
| CN110796199A (zh) | 一种图像处理方法、装置以及电子医疗设备 | |
| CN111161268B (zh) | 图像处理方法、装置、电子设备及计算机存储介质 | |
| CN116434266B (zh) | 一种医疗检验单的数据信息自动提取分析方法 | |
| CN113256605B (zh) | 一种基于深度神经网络的乳腺癌图像识别分类方法 | |
| CN113724185B (zh) | 用于图像分类的模型处理方法、装置及存储介质 | |
| CN114782408A (zh) | 基于多尺度与注意力机制的ct图像盲去噪方法 | |
| CN114820584A (zh) | 肺部病灶定位装置 | |
| CN114155232A (zh) | 颅内出血区域检测方法、装置、计算机设备及存储介质 | |
| CN116739934A (zh) | 基于多尺度与注意力机制的ct图像盲去噪方法 | |
| Yang et al. | Underwater image enhancement with latent consistency learning‐based color transfer | |
| CN104063567A (zh) | 一种病人身份源交叉索引的建立方法 | |
| CN118098482A (zh) | 基于5g技术的智慧医疗管理系统及方法 | |
| CN113723466B (zh) | 文本相似度量化方法、设备及系统 | |
| WO2021027555A1 (zh) | 一种人脸检索方法及装置 | |
| CN117237351A (zh) | 一种超声图像分析方法以及相关装置 | |
| CN116433528A (zh) | 一种目标区域检出的图像细节增强显示方法及系统 | |
| CN111666884A (zh) | 活体检测方法、装置、计算机可读介质及电子设备 |
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 |