CN116452488A - 一种图像处理方法、设备及计算机可读存储介质 - Google Patents
一种图像处理方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN116452488A CN116452488A CN202210015951.0A CN202210015951A CN116452488A CN 116452488 A CN116452488 A CN 116452488A CN 202210015951 A CN202210015951 A CN 202210015951A CN 116452488 A CN116452488 A CN 116452488A
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- target
- function
- determining
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 112
- 230000009466 transformation Effects 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 141
- 230000015654 memory Effects 0.000 claims description 32
- 230000009467 reduction Effects 0.000 claims description 19
- 239000003623 enhancer Substances 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 abstract description 8
- 230000000007 visual effect Effects 0.000 abstract description 6
- 210000002784 stomach Anatomy 0.000 description 22
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000005291 magnetic effect Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 238000000338 in vitro Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
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
- G06N3/08—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
- G06T2207/30092—Stomach; Gastric
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了一种图像处理方法、设备及计算机可读存储介质,涉及图像处理领域。该方法包括:获取针对人体内目标部位的样本图像和样本增强图像;其中,样本增强图像是对样本图像进行图像增强后得到的;基于样本图像和样本增强图像进行训练,确定目标权重函数;确定采集样本图像的采集部件的空间变换参数;基于目标权重函数和空间变换参数,确定图像增强模型;获取针对人体内目标部位的待处理图像,并基于待处理图像和图像增强模型确定针对人体内目标部位的目标图像;如此,提高了目标图像的视觉效果,进而提高了从目标图像中提取病灶特征的准确率。
Description
技术领域
本申请涉及图像处理领域的图像处理技术,尤其涉及一种图像处理方法、设备及计算机可读存储介质。
背景技术
当前,通过胃镜来采集人体内的胃部图像,并通过胃部图像来确定人体胃部是否发生异常是一项成熟的医学技术,但是通过胃镜采集的人体内胃部图像的明暗程度不均匀,导致从胃部图像中提取病灶特征的准确性低。
发明内容
为解决上述技术问题,本申请实施例期望提供一种图像处理方法、设备及计算机可读存储介质,解决了胃部图像中提取病灶特征的准确性低的问题,提高了胃部图像中提取病灶特征的准确率。
本申请的技术方案是这样实现的:
一种图像处理方法,所述方法包括:
获取针对人体内目标部位的样本图像和样本增强图像;其中,所述样本增强图像是对所述样本图像进行图像增强后得到的;
基于所述样本图像和所述样本增强图像进行训练,确定目标权重函数;
确定采集所述样本图像的采集部件的空间变换参数;
基于所述目标权重函数和所述空间变换参数,确定图像增强模型;
获取针对人体内所述目标部位的待处理图像,并基于所述待处理图像和所述图像增强模型确定针对人体内所述目标部位的目标图像。
上述方案中,所述获取针对人体内目标部位的样本图像和样本增强图像,包括:
获取针对人体内所述目标部位的多个备选图像;
对所述多个备选图像进行降噪处理,得到所述样本图像;
采用图像增强器对所述样本图像进行增强处理,得到所述样本增强图像。
上述方案中,所述基于所述样本图像和所述样本增强图像进行训练,确定目标权重函数,包括:
对所述样本图像和所述样本增强图像进行分析,确定表征所述样本图像和所述样本增强图像之间差异的目标函数;
基于所述目标函数,确定所述目标权重函数。
上述方案中,所述对所述样本图像和所述样本增强图像进行分析,确定表征所述样本图像和所述样本增强图像之间差异的目标函数,包括:
对所述样本图像和所述样本增强图像进行分析,确定表征所述样本图像和所述样本增强图像之间颜色差异的第一子函数,并确定表征所述样本图像和所述样本增强图像之间纹理差异的第二子函数;
上述方案中,基于所述目标函数,确定所述目标权重函数,包括:
采用目标卷积神经网络对所述第一子函数和所述第二子函数进行处理,得到所述目标权重函数。
上述方案中,所述确定采集所述样本图像的采集部件的空间变换参数,包括:
获取采集所述样本图像的采集部件的空间函数;
基于所述空间函数确定所述空间变换参数。
上述方案中,所述基于所述目标权重函数和所述空间变换参数,确定图像增强模型,包括:
对所述目标权重函数和所述空间变换参数进行变换处理,得到目标逻辑函数;其中,所述目标逻辑函数表征待增强图像与增强图像之间的关系;
在所述目标逻辑函数趋于收敛的情况下,确定所述目标逻辑函数为确定所述图像增强模型。
上述方案中,所述获取针对人体内目标部位的待处理图像,包括:
获取针对人体内所述目标部位的待输入图像;
对所述待输入图像进行降噪处理,得到所述待处理图像。
上述方案中,所述基于所述待处理图像和所述图像增强模型确定针对人体内所述目标部位的目标图像,包括:
采用所述图像增强模型对所述待处理图像进行处理,得到待选图像;
对待选图像进行区域标记,得到所述目标图像。
一种图像处理设备,所述设备包括:处理器、存储器和通信总线;
所述通信总线用于实现所述处理器和所述存储器之间的通信连接;
所述处理器用于执行所述存储器中存储的图像处理程序,以实现以下步骤:
获取针对人体内目标部位的样本图像和样本增强图像;其中,所述样本增强图像是对所述样本图像进行图像增强后得到的;
基于所述样本图像和所述样本增强图像进行训练,确定目标权重函数;
确定采集所述样本图像的采集部件的空间变换参数;
基于所述目标权重函数和所述空间变换参数,确定图像增强模型;
获取针对人体内所述目标部位的待处理图像,并基于所述待处理图像和所述图像增强模型确定针对人体内所述目标部位的目标图像。
一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述图像处理方法的步骤。
本申请实施例所提供的图像处理方法、设备及计算机可读存储介质,获取针对人体内目标部位的样本图像和样本增强图像;其中,样本增强图像是对样本图像进行图像增强后得到的;基于样本图像和样本增强图像进行训练,确定目标权重函数;确定采集样本图像的采集部件的空间变换参数;基于目标权重函数和空间变换参数,确定图像增强模型;获取针对人体内目标部位的待处理图像,并基于待处理图像和图像增强模型确定针对人体内目标部位的目标图像;如此,基于目标权重函数和空间变换参数,确定图像增强模型,并通过图像增强模型对待处理图像进行增强处理得到目标图像,提高了目标图像的视觉效果,进而提高了从目标图像中提取病灶特征的准确率;而且,采用空间变换参数来确定图像增强模型,考虑了针对目标部位采集样本图像的实际环境因素,提高了确定的图像增强模型准确率。
附图说明
图1为本申请实施例提供的一种图像处理方法的流程示意图;
图2为本申请实施例提供的另一种图像处理方法的流程示意图;
图3为本申请实施例提供的WESPES算法对应的网络的结构示意图;
图4为本申请实施例提供的又一种图像处理方法的流程示意图;
图5为本申请实施例提供的一种图像处理设备的结构示意图;
图6为本申请实施例提供的一种图像处理装置的结构示意图。
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。
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种图像处理方法,该方法可以应用于图像处理设备,参照图1所示,该方法包括以下步骤:
步骤101、获取针对人体内目标部位的样本图像和样本增强图像。
其中,样本增强图像是对样本图像进行图像增强后得到的。
在本申请实施例中,图像处理设备可以为具有图像采集和处理功能的设备;图像采集设备的图像采集部件可以对人体内的器官进行扫描,确定人体内目标部位的位置,并基于目标部位的位置,在不同的角度采集针对目标部位的图像,之后可以对目标部位的图像进行筛选得到样本图像,并对样本图像进行图像增强处理得到样本增强图像的;样本图像还可以是其它设备上具备图像采集功能的采集部件采集并发送至图像处理设备的,样本增强图像可以是图像采集设备接收到样本图像之后,对样本图像进行图像增强处理后得到的;其中,样本增强图像还可以是具备图像增强能力的设备对样本图像进行增强处理后发送至图像处理设备的。
在一种可行的实现方式中,可以通过胃镜在不同的采集角度,采集针对人体内的胃部的多个图像,并确定表征每个图像明暗程度的均匀性的数值,根据数值对多个图像进行筛选,从多个图像中确定数值大于目标阈值的图像作为样本图像,并发送样本图像至图像处理设备,图像处理设备接收样本图像后,对样本图像进行图像增强得到样本增强图像。其中,数值越大表示图像的明暗程度的均匀性越好。
步骤102、基于样本图像和样本增强图像进行训练,确定目标权重函数。
在本申请实施例中,可以采用目标网络算法对样本图像和样本增强图像进行训练,得到目标权重函数。其中,目标网络算法可以为用于数码相机的弱监督照片增强器算法(Weakly Supervised Photo Enhancer for Digital Cameras,WESPE)。
其中,WESPE算法改进了传统的生成式对抗网络算法(Generative AdversarialNetwork,GAN),不需要像传统GAN算法对每一个数据集都需要重新训练一个模型不具有通用性,采用WESPE算法进行训练时,输入数据和输出数据分别为低质量图像和高质量图像,但是它们在内容上不需要对应,使用一个传递性的CNN-GAN(卷积神经网络-生成示对抗网络)结构来学习它们之间的映射关系。
步骤103、确定采集样本图像的采集部件的空间变换参数。
在本申请实施例中,采集样本图像的采集部件可以是胃镜;空间变换参数可以是利用胃镜在模拟人体胃部环境和人体体外环境下确定的,具体可以是根据胃镜所处的人体胃部环境的空间函数以及胃镜所处的人体体外环境的空间函数确定的。
步骤104、基于目标权重函数和空间变换参数,确定图像增强模型。
在本申请实施例中,图像处理设备基于目标权重函数和空间变换参数进行运算,得到图像增强模型。
步骤105、获取针对人体内目标部位的待处理图像,并基于待处理图像和图像增强模型确定针对人体内目标部位的目标图像。
需要说明的是,获取针对人体内目标部位的待处理图像的过程和步骤101中获取针对人体内目标部位的样本图像的过程类似,本申请实施例在此不再赘述。
在本申请实施例中,可以将待处理图像输入至图像增强模型中,使得图像增强模型对待处理图像进行图像增强处理得到针对人体内目标部位的目标图像。其中,目标图像的明暗程度的均匀性好于样本图像的明暗程度的均匀性。在一种可行的实现方式中,目标部位可以为人体的胃部。
本申请实施例所提供的图像处理方法,获取针对人体内目标部位的样本图像和样本增强图像;其中,样本增强图像是对样本图像进行图像增强后得到的;基于样本图像和样本增强图像进行训练,确定目标权重函数;确定采集样本图像的采集部件的空间变换参数;基于目标权重函数和空间变换参数,确定图像增强模型;获取针对人体内目标部位的待处理图像,并基于待处理图像和图像增强模型确定针对人体内目标部位的目标图像;如此,基于目标权重函数和空间变换参数,确定图像增强模型,并通过图像增强模型对待处理图像进行增强处理得到目标图像,提高了目标图像的视觉效果,进而提高了从目标图像中提取病灶特征的准确率;而且,采用空间变换参数来确定图像增强模型,考虑了针对目标部位采集样本图像的实际环境因素,提高了确定的图像增强模型准确率。
基于前述实施例,本申请实施例提供一种图像处理方法,参照图2所示,该方法包括以下步骤:
步骤201、图像处理设备获取针对人体内目标部位的多个备选图像。
在本申请实施例中,图像处理设备可以在不同的采集角度,采集具有人体内目标部位的多个图像,并对每个具有人体内目标部位的图像进行目标部位识别,从中提取针对人体内目标部位的备选图像;备选图像还可以是其它设备上具备图像采集功能的采集部件采集后发送至图像处理设备的。
在一种可行的实现方式中,备选图像包括但不限于人体内胃部的图像。
需要说明的是,通过不同的采集角度来获取备选图像,使得目标部位可以多方位的呈现在图像中,避免由于人体内环境复杂,采集的目标部位被其它器官遮挡或不完全,导致确定的样本增强模型不准确,进一步提高了后续确定的样本增强模型的准确率。
步骤202、图像处理设备对多个备选图像进行降噪处理,得到样本图像。
在本申请实施例中,图像处理设备可以对多个备选图像进行降噪处理,具体可以对多个备选图像进行高斯模糊处理,得到样本图像;高斯模糊处理可以是二维的高斯模糊处理。
需要说明的是,通过对多个备选图像进行降噪处理,可以减少备选图像中的噪声以及细节层次,提高备选图像信噪比,可以最大限度的保持备选图像的原有信息。还可以采用其它方式对多个备选图像进行降噪处理,本申请实施例中对降噪处理采用的方法不做限定。
步骤203、图像处理设备采用图像增强器对样本图像进行增强处理,得到样本增强图像。
在本申请实施例中,样本图像可以指的是低质量的图像,样本增强图像指的是高质量的图像;图像处理设备可以采用图像增强器对样本图像进行增强处理,并将增强处理后得到的图像作为样本增强图像。其中,增强处理也可以称之为图像增强处理,通过图像增强处理可以改善样本图像质量、丰富信息量、加强图像判断以及识别效果。
在一种可行的实现方式中,图像增强器可以为WESPE算法对应的网络结构中的图像增强器。
步骤204、图像处理设备对样本图像和样本增强图像进行分析,确定表征样本图像和样本增强图像之间差异的目标函数。
在本申请实施例中,图像处理设备可以对样本图像和样本增强图像的像素点的像素值进行分析,确定样本图像和样本增强图像之间的差异参数,并根据样本图像和样本增强图像之间的差异参数确定目标函数。其中,差异参数包括颜色差异参数和纹理差异参数。
在一种可行的实现方式中,可以通过WESPE算法对应的网络结构中的判别器来对样本图像和样本增强图像进行分析,确定目标函数。
需要说明的是,步骤204可以通过步骤a1来实现:
步骤a1、图像处理设备对样本图像和样本增强图像进行分析,确定表征样本图像和样本增强图像之间颜色差异的第一子函数,并确定表征样本图像和样本增强图像之间纹理差异的第二子函数。
在本申请实施例中,图像处理设备可以对样本图像和样本增强图像进行分析,确定样本图像和样本增强图像之间颜色差异的颜色差异参数,并基于颜色差异参数确定第一子函数,确定样本图像和样本增强图像之间纹理差异的纹理差异参数,并基纹理差异参数确定第二子函数;在确定第一子函数和第二子函数可以采用样本图像和样本增强图像;还可以采用样本图像和降噪后的样本增强图像,采用降噪后的样本增强图像,能够减少图像噪声的影响。
其中,颜色差异也可以称之为颜色损失,用于衡量样本增强图像与样本图像之间的色彩差异;纹理差异也可以称之为纹理损失,用于衡量样本增强图像与样本图像之间的纹理的质量差异。
在一种可行的实现方式中,第一子函数可以用公式(1)来表示:
其中,X为备选图像;Y为未降噪处理的样本增强图像;Xb为样本图像,Yb为降噪后的样本增强图像。
在一种可行的实现方式中,第二子函数可以用公式(2)来表示:
Ltexture=-∑LogD(Fw(Is),It)
其中,Fw为WESPE算法中的生成子网络,D为WESPE算法中的判别网络;为源图像,It为对源图像进行增强处理后的图像。
在一种可行的实现方式中,源图像可以为样本图像,对源图像进行增强处理后的图像可以得到样本增强图像。
步骤205、图像处理设备基于目标函数,确定目标权重函数。
其中,目标函数至少包括第一子函数和第二子函数。
在本申请实施例中,可以获取第一子函数的第一权重系数和第二子函数的第二权重系数,并基于第一子函数、第一权重系数、第二子函数和第二权重系数,确定待处理函数,并对待处理函数进行处理得到目标权重函数。
需要说明的是,步骤205可以通过步骤a2来实现:
步骤a2、图像处理设备采用目标卷积神经网络对第一子函数和第二子函数进行处理,得到目标权重函数。
在本申请实施例中,可以将第一子函数和第一权重系数相乘得到第一待处理子函数,并将第二子函数和第二权重系数相乘得到第二待处理子函数,将第一待处理子函数和第二待处理子函数相加得到待处理函数,并采用目标卷积神经网络对待处理函数进行分析得到目标权重函数。
在一种可行的实现方式中,第一子函数用Lcolor来表示,第一权重系数为1,第二子函数用Ltexture来表示,第二权重系数为5*0.001,则待处理函数可以用公式(3)来表示:
L=Lcolor+5*0.001*Ltexture 公式(3)
图像处理设备可以将待处理函数通过WESPE算法中的VGG19网络进行处理,得到目标权重函数,其中,目标权重函数可以用公式(4)来表示:
其中,W*表示目标权重函数,n为样本图像和样本增强图像的图像对的数量,Is为源图像,It为对源图像进行增强处理后的图像;n为正整数。
需要说明的是,样本图像和样本增强图像组成一一对应的图像对,在一种可行的实现方式中,样本图像的数量为10,样本增强图像的数量便也为10,图像对n为10。
步骤206、图像处理设备获取采集样本图像的采集部件的空间函数。
其中,空间函数可以为采集样本图像的采集部件在模拟人体胃部环境下的空间函数和在人体体外环境下的空间函数。
在本申请实施例中,可以利用图像采集部件在模拟人体胃部环境和体外环境的下针对标准色板进行采集图像,并根据采集的图像来确定空间函数。
在一种可行的实现方式中,可以将与采集部件连接的管道的延伸方向的切线方向作为W轴,与W方向垂直的平面的摄像头中心的连线为U轴,在该平面上与U轴垂直的方向为v轴,构建三维坐标系u-v-w,并利用采集部件在模拟人体胃部环境和体外环境下分别对1024×1024标准色板进行拍照,选取标准色板中的一个固定点S,S在模拟人体胃部环境下的成像平面上的图像坐标为(ul,vl),S在模拟体外环境下的成像平面上的坐标为(ur,vr),空间函数可以用公式(5)和来公式(6)表示:
其中,(x,y,z)为固定点S在世界坐标系下的位置坐标;Ml是图像采集部件在人体内的特征矩阵;Mr是图像采集部件在人体外的特征矩阵。
步骤207、图像处理设备基于空间函数确定空间变换参数。
在本申请实施例中,图像处理设备可以对空间函数进行分析来确定采集部件在人体外的第一特征参数和采集部件在人体内的第二特征参数,并结合傅里叶的时空变换特性对第一特征参数和第二特征参数进行处理,得到空间变换参数。
在一种可行的实现方式中,第一特征参数和第二特征参数可以以矩阵的形式来表示;第一特征参数可以为特征矩阵Ml,第二特征参数可以为特征矩阵Mr,结合傅里叶的时空变换特性,可以得到时空域的空间变换参数,空间变换参数可以用公式(7)来表示:
其中,M表示空间变换参数。
步骤208、图像处理设备对目标权重函数和空间变换参数进行变换处理,得到目标逻辑函数。
其中,目标逻辑函数表征待增强图像与增强图像之间的关系。
在本申请实施例中,可以对目标权重参数和空间变换参数在傅里叶的时间域进行相乘,得到目标逻辑函数。
在一种可行的实现方式中,目标权重函数用W*表示,则目标逻辑函数用W来表示:
其中,Is可以表示为源图像,It为对源图像进行增强处理后的图像;Fw可以为WESPE算法中的生成子网络;M表示空间变换参数;n为样本图像和样本增强图像的图像对的数量,L为待处理函数。
步骤209、在目标逻辑函数趋于收敛的情况下,图像处理设备确定目标逻辑函数为确定图像增强模型。
在本申请实施例中,可以对目标逻辑函数进行分析,当目标逻辑函数趋于收敛时,则将目标逻辑函数作为图像增强模型。
步骤210、图像处理设备获取针对人体内目标部位的待输入图像。
在本申请实施例中,图像处理设备可以采集具有人体内多个部位的图像,并对具有人体内多个部位的图像进行目标部位识别,从中提出只具有目标部位的待输入图像。
步骤211、图像处理设备对待输入图像进行降噪处理,得到待处理图像。
在本申请实施例中,图像处理设备可以对待处理图像进行降噪处理,具体可以对待输入图像进行高斯模糊处理,得到待处理图像,以减少待输入图像的噪声的影响。
步骤212、图像处理设备采用图像增强模型对待处理图像进行处理,得到待选图像。
在本申请实施例中,可以将待处理图像输入至图像增强模型,图像增强模型可以输出待选图像;其中,待选图像的质量高于待处理图像的质量。
步骤213、图像处理设备对待选图像进行区域标记,得到目标图像。
在本申请实施例中,图像处理设备可以对待选图像中的目标部位进行分析,并将目标部位进行划分为多个区域,并对每一区域进行标记,将标记后的图像作为目标图像。
在一种可行的实现方式中,可以将胃部划分为上部、中部和下部,图像处理设备可以对胃部图像进行分析,从胃部图像中确定胃部的上部区域的第一位置、中部区域的第二位置和下部区域的第三位置,并基于第一位置、第二位置和第三位置分别对胃部图像中的上部区域、中部区域和下部区域进行标记,得到目标图像。其中,标记时可以采用最近邻法对上部区域、中部区域和下部区域进行标记,避免医生主观判断失误,降低医生的工作负担,提高确定病灶特征的效率。
需要说明的是,本实施例中与其它实施例中相同步骤和相同内容的说明,可以参照其它实施例中的描述,此处不再赘述。
下述结合图3对本申请实施例所提供的WESPE算法对应的网络结构进行详细的解释说明。
如图3所示,图像增强器和退化器,用作前馈式的核心节点;颜色差异的判别器用于判断样本图像和样本增强图像之间的颜色差异,纹理差异的判别器用于判断样本图像和样本增强图像之间的纹理差异,VGG19用于对待处理函数进行处理的目标卷积神经网络;L为待处理函数;X可以是备选图像,Y为未降噪处理的样本增强图像,X~为网络中备选图像对应的中间状态图像;Y~为网络结构中未降噪处理的样本增强图像对应的中间状态图像。
本申请实施例还提供一种图像处理方法,下述结合图4对该图像处理方法进行详细的解释说明。
如图4所示,目标部位以胃部为例,图像处理设备可以获取备选图像,并对备选图像进行降噪处理得到样本图像,并将样本图像和降噪后的样本增强图像(也可以是未降噪的样本增强图像)输入至WESPE算法对应的网络中,计算表征样本图像和样本增强图像之间差异的目标函数,并根据目标函数确定目标权重函数W*,基于确定的采集样本图像的采集部件的空间变换参数M和目标权重函数W*,确定目标逻辑函数,在目标逻辑函数收敛的情况下,确定目标逻辑函数为图像增强模型,并将待处理图像输入图像增强模型中得到目标图像;在目标逻辑函数不收敛的情况下,继续训练过程。
本申请实施例所提供的图像处理方法,基于目标权重函数和空间变换参数,确定图像增强模型,并通过图像增强模型对待处理图像进行增强处理得到目标图像,提高了目标图像的视觉效果,进而提高了从目标图像中提取病灶特征的准确率;而且,采用空间变换参数来确定图像增强模型,考虑了针对目标部位采集样本图像的实际环境因素,提高了确定的图像增强模型准确率。
基于前述实施例,本申请的实施例提供一种图像处理设备,该图像处理设备可以应用于图1~2对应的实施例提供的图像处理方法中,参照图5所示,该图像处理设备3可以包括:处理器32、存储器31和通信总线33;其中:
通信总线33用于实现处理器32和存储器31之间的通信连接;
处理器32用于执行存储器31中存储的图像处理程序,以实现以下步骤:
获取针对人体内目标部位的样本图像和样本增强图像;其中,样本增强图像是对样本图像进行图像增强后得到的;
基于样本图像和样本增强图像进行训练,确定目标权重函数;
确定采集样本图像的采集部件的空间变换参数;
基于目标权重函数和空间变换参数,确定图像增强模型;
获取针对人体内目标部位的待处理图像,并基于待处理图像和图像增强模型确定针对人体内目标部位的目标图像。
在本申请其他实施例中,处理器32用于执行存储器31中的图像处理程序的获取针对人体内目标部位的样本图像和样本增强图像,以实现以下步骤:
获取针对人体内目标部位的多个备选图像;
对多个备选图像进行降噪处理,得到样本图像;
采用图像增强器对样本图像进行增强处理,得到样本增强图像。
在本申请其他实施例中,处理器32用于执行存储器31中的图像处理程序的基于样本图像和样本增强图像进行训练,确定目标权重函数,以实现以下步骤:
对样本图像和样本增强图像进行分析,确定表征样本图像和样本增强图像之间差异的目标函数;
基于目标函数,确定目标权重函数。
在本申请其他实施例中,处理器32用于执行存储器31中的图像处理程序的对样本图像和样本增强图像进行分析,确定表征样本图像和样本增强图像之间差异的目标函数,以实现以下步骤:
对样本图像和样本增强图像进行分析,确定表征样本图像和样本增强图像之间颜色差异的第一子函数,并确定表征样本图像和样本增强图像之间纹理差异的第二子函数;
相应的,在本申请其他实施例中,处理器32用于执行存储器31中的图像处理程序的基于目标函数,确定目标权重函数,以实现以下步骤:
采用目标卷积神经网络对第一子函数和第二子函数进行处理,得到目标权重函数。
在本申请其他实施例中,处理器32用于执行存储器31中的图像处理程序的确定采集样本图像的采集部件的空间变换参数,以实现以下步骤:
获取采集样本图像的采集部件的空间函数;
基于空间函数确定空间变换参数。
在本申请其他实施例中,处理器32用于执行存储器31中的图像处理程序的基于目标权重函数和空间变换参数,确定图像增强模型,以实现以下步骤:
对目标权重函数和空间变换参数进行变换处理,得到目标逻辑函数;其中,目标逻辑函数表征待增强图像与增强图像之间的关系;
在目标逻辑函数趋于收敛的情况下,确定目标逻辑函数为确定图像增强模型。
在本申请其他实施例中,处理器32用于执行存储器31中的图像处理程序的获取针对人体内目标部位的待处理图像,以实现以下步骤:
获取针对人体内目标部位的待输入图像;
对待输入图像进行降噪处理,得到待处理图像。
在本申请其他实施例中,处理器32用于执行存储器31中的图像处理程序的基于待处理图像和图像增强模型确定针对人体内目标部位的目标图像,以实现以下步骤:
采用图像增强模型对待处理图像进行处理,得到待选图像;
对待选图像进行区域标记,得到目标图像。
需要说明的是,本实施例中处理器所执行的步骤的具体实现过程,可以参照图1~2对应的实施例提供的图像处理方法中的实现过程,此处不再赘述。
本申请的实施例所提供的图像处理设备,基于目标权重函数和空间变换参数,确定图像增强模型,并通过图像增强模型对待处理图像进行增强处理得到目标图像,改善了待处理图像的视觉效果,进而提高了从目标图像中提取病灶特征的准确率;而且,采用空间变换参数来确定图像增强模型,考虑了针对目标部位采集样本图像的实际环境因素,提高了确定的图像增强模型准确率。
基于前述实施例,本申请的实施例提供一种图像处理装置,该装置可以应用于图1~2对应的实施例提供的图像处理方法中,参照图6所示,该装置可以包括:获取单元41和处理单元42,其中:
获取单元41,用于获取针对人体内目标部位的样本图像和样本增强图像;其中,样本增强图像是对样本图像进行图像增强后得到的;
处理单元42,用于基于样本图像和样本增强图像进行训练,确定目标权重函数;
处理单元42,还用于确定采集样本图像的采集部件的空间变换参数;
处理单元42,还用于基于目标权重函数和空间变换参数,确定图像增强模型;
处理单元42,还用于获取针对人体内目标部位的待处理图像,并基于待处理图像和图像增强模型确定针对人体内目标部位的目标图像。
在本申请其他实施例中,获取单元41还用于执行以下步骤:
获取针对人体内目标部位的多个备选图像;
对多个备选图像进行降噪处理,得到样本图像;
采用图像增强器对样本图像进行增强处理,得到样本增强图像。
在本申请其他实施例中,处理单元42还用于执行以下步骤:
对样本图像和样本增强图像进行分析,确定表征样本图像和样本增强图像之间差异的目标函数;
基于目标函数,确定目标权重函数。
在本申请其他实施例中,处理单元42还用于执行以下步骤:
对样本图像和样本增强图像进行分析,确定表征样本图像和样本增强图像之间颜色差异的第一子函数,并确定表征样本图像和样本增强图像之间纹理差异的第二子函数;
采用目标卷积神经网络对第一子函数和第二子函数进行处理,得到目标权重函数。
在本申请其他实施例中,处理单元42还用于执行以下步骤:
获取采集样本图像的采集部件的空间函数;
基于空间函数确定空间变换参数。
在本申请其他实施例中,处理单元42还用于执行以下步骤:
对目标权重函数和空间变换参数进行变换处理,得到目标逻辑函数;其中,目标逻辑函数表征待增强图像与增强图像之间的关系;
在目标逻辑函数趋于收敛的情况下,确定目标逻辑函数为确定图像增强模型。
在本申请其他实施例中,处理单元42还用于执行以下步骤:
获取针对人体内目标部位的待输入图像;
对待输入图像进行降噪处理,得到待处理图像。
在本申请其他实施例中,处理单元42还用于执行以下步骤:
采用图像增强模型对待处理图像进行处理,得到待选图像;
对待选图像进行区域标记,得到目标图像。
需要说明的是,本实施例中各个单元所执行的步骤的具体实现过程,可以参照图1~2对应的实施例提供的图像处理方法中的实现过程,此处不再赘述。
本申请的实施例所提供的图像处理装置,基于目标权重函数和空间变换参数,确定图像增强模型,并通过图像增强模型对待处理图像进行增强处理得到目标图像,提高了目标图像的视觉效果,进而提高了从目标图像中提取病灶特征的准确率;而且,采用空间变换参数来确定图像增强模型,考虑了针对目标部位采集样本图像的实际环境因素,提高了确定的图像增强模型准确率。
基于前述实施例,本申请的实施例提供一种计算机可读存储介质,该计算机可读存储介质存储有一个或者多个程序,该一个或者多个程序可被一个或者多个处理器执行,以实现图1~2对应的实施例提供的图像处理方法的步骤。
需要说明的是,上述计算机可读存储介质可以是只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory,FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory,CD-ROM)等存储器;也可以是包括上述存储器之一或任意组合的各种电子设备,如移动电话、计算机、平板设备、个人数字助理等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法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,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的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,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所描述的方法。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种图像处理方法,其特征在于,所述方法包括:
获取针对人体内目标部位的样本图像和样本增强图像;其中,所述样本增强图像是对所述样本图像进行图像增强后得到的;
基于所述样本图像和所述样本增强图像进行训练,确定目标权重函数;
确定采集所述样本图像的采集部件的空间变换参数;
基于所述目标权重函数和所述空间变换参数,确定图像增强模型;
获取针对人体内所述目标部位的待处理图像,并基于所述待处理图像和所述图像增强模型确定针对人体内所述目标部位的目标图像。
2.根据权利要求1所述的方法,其特征在于,所述获取针对人体内目标部位的样本图像和样本增强图像,包括:
获取针对人体内所述目标部位的多个备选图像;
对所述多个备选图像进行降噪处理,得到所述样本图像;
采用图像增强器对所述样本图像进行增强处理,得到所述样本增强图像。
3.根据权利要求1所述的方法,其特征在于,所述基于所述样本图像和所述样本增强图像进行训练,确定目标权重函数,包括:
对所述样本图像和所述样本增强图像进行分析,确定表征所述样本图像和所述样本增强图像之间差异的目标函数;
基于所述目标函数,确定所述目标权重函数。
4.根据权利要求3所述的方法,其特征在于,所述对所述样本图像和所述样本增强图像进行分析,确定表征所述样本图像和所述样本增强图像之间差异的目标函数,包括:
对所述样本图像和所述样本增强图像进行分析,确定表征所述样本图像和所述样本增强图像之间颜色差异的第一子函数,并确定表征所述样本图像和所述样本增强图像之间纹理差异的第二子函数;
相应的,基于所述目标函数,确定所述目标权重函数,包括:
采用目标卷积神经网络对所述第一子函数和所述第二子函数进行处理,得到所述目标权重函数。
5.根据权利要求1所述的方法,其特征在于,所述确定采集所述样本图像的采集部件的空间变换参数,包括:
获取采集所述样本图像的采集部件的空间函数;
基于所述空间函数确定所述空间变换参数。
6.根据权利要求1所述的方法,其特征在于,所述基于所述目标权重函数和所述空间变换参数,确定图像增强模型,包括:
对所述目标权重函数和所述空间变换参数进行变换处理,得到目标逻辑函数;其中,所述目标逻辑函数表征待增强图像与增强图像之间的关系;
在所述目标逻辑函数趋于收敛的情况下,确定所述目标逻辑函数为确定所述图像增强模型。
7.根据权利要求1所述的方法,其特征在于,所述获取针对人体内目标部位的待处理图像,包括:
获取针对人体内所述目标部位的待输入图像;
对所述待输入图像进行降噪处理,得到所述待处理图像。
8.根据权利要求7所述的方法,其特征在于,所述基于所述待处理图像和所述图像增强模型确定针对人体内所述目标部位的目标图像,包括:
采用所述图像增强模型对所述待处理图像进行处理,得到待选图像;
对待选图像进行区域标记,得到所述目标图像。
9.一种图像处理设备,其特征在于,所述设备包括:处理器、存储器和通信总线;
所述通信总线用于实现所述处理器和所述存储器之间的通信连接;
所述处理器用于执行所述存储器中存储的图像处理程序,以实现以下步骤:
获取针对人体内目标部位的样本图像和样本增强图像;其中,所述样本增强图像是对所述样本图像进行图像增强后得到的;
基于所述样本图像和所述样本增强图像进行训练,确定目标权重函数;
确定采集所述样本图像的采集部件的空间变换参数;
基于所述目标权重函数和所述空间变换参数,确定图像增强模型;
获取针对人体内所述目标部位的待处理图像,并基于所述待处理图像和所述图像增强模型确定针对人体内所述目标部位的目标图像。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1至8中任一项所述的图像处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210015951.0A CN116452488A (zh) | 2022-01-07 | 2022-01-07 | 一种图像处理方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210015951.0A CN116452488A (zh) | 2022-01-07 | 2022-01-07 | 一种图像处理方法、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116452488A true CN116452488A (zh) | 2023-07-18 |
Family
ID=87126060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210015951.0A Pending CN116452488A (zh) | 2022-01-07 | 2022-01-07 | 一种图像处理方法、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116452488A (zh) |
-
2022
- 2022-01-07 CN CN202210015951.0A patent/CN116452488A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229490B (zh) | 关键点检测方法、神经网络训练方法、装置和电子设备 | |
CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
EP3939006A1 (en) | Feature point detection | |
CN107506795A (zh) | 一种面向图像匹配的局部灰度直方图特征描述子建立方法和图像匹配方法 | |
CN107221005B (zh) | 物体检测方法及装置 | |
CN113012157B (zh) | 一种设备缺陷视觉检测方法及系统 | |
CN113052844B (zh) | 肠道内窥镜观察视频中图像的处理方法、装置及存储介质 | |
CN112884782A (zh) | 生物对象分割方法、装置、计算机设备和存储介质 | |
CN111126254A (zh) | 图像识别方法、装置、设备及存储介质 | |
CN113237881B (zh) | 一种特定细胞的检测方法、装置和病理切片检测系统 | |
JP6425396B2 (ja) | 画像処理装置、画像処理方法およびプログラム | |
CN116506732B (zh) | 一种图像抓拍防抖的方法、装置、系统和计算机设备 | |
CN117173232A (zh) | 深度图像的获取方法、装置及设备 | |
CN112215878A (zh) | 一种基于surf特征点的x光图像配准方法 | |
CN116452488A (zh) | 一种图像处理方法、设备及计算机可读存储介质 | |
CN110751163A (zh) | 目标定位方法及其装置、计算机可读存储介质和电子设备 | |
Yi et al. | Attention-model guided image enhancement for robotic vision applications | |
CN113963427A (zh) | 一种快速活体检测的方法与系统 | |
Bardosi et al. | Metacarpal bones localization in x-ray imagery using particle filter segmentation | |
CN112529845A (zh) | 图像质量值确定方法、装置、存储介质及电子装置 | |
CN111524161A (zh) | 提取轨迹的方法和装置 | |
CN113643219B (zh) | 一种基于三光融合的图像成像方法及装置 | |
CN110738683A (zh) | 一种计算机视觉跟踪方法及装置 | |
CN117975170B (zh) | 基于大数据的医疗信息处理方法及系统 | |
CN116309193B (zh) | 一种免疫样本的图像处理方法及装置 |
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 |