CN116777904B - 基于条带特征的不同分辨率异常染色体生成网络及方法 - Google Patents
基于条带特征的不同分辨率异常染色体生成网络及方法 Download PDFInfo
- Publication number
- CN116777904B CN116777904B CN202311028354.2A CN202311028354A CN116777904B CN 116777904 B CN116777904 B CN 116777904B CN 202311028354 A CN202311028354 A CN 202311028354A CN 116777904 B CN116777904 B CN 116777904B
- Authority
- CN
- China
- Prior art keywords
- chromosome
- image
- images
- band
- 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
Links
- 210000000349 chromosome Anatomy 0.000 title claims abstract description 167
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 9
- 208000031404 Chromosome Aberrations Diseases 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 6
- 206010067477 Cytogenetic abnormality Diseases 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 2
- 230000002759 chromosomal effect Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 206010008805 Chromosomal abnormalities Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于条带特征的不同分辨率异常染色体生成网络及方法,其用以在输入人工制造的染色体条带图像以及染色体编号即输出不同分辨率的异常染色体图像,其包括:条带特征提取器,用以从真实染色体图像中提取不同分辨率的染色体条带图像;生成器,用以将所述条带特征提取网络得到染色体条带图像进行片段颠倒和/或裁剪和/或添加噪声,以得到不同分辨率下的异常染色体图像;判别器,用以染色体图像进行识别,以判断其是否为真实的染色体图像;本发明可以实现自动化的异常染色体生成,减轻了人工操作的负担。通过使用计算机视觉和图像处理技术,可以快速且高效地生成不同分辨率的异常染色体图像。
Description
技术领域
本发明涉及数字图像技术领域,尤其涉及一种基于条带特征的不同分辨率异常染色体生成网络及方法。
背景技术
随着医学图像获取技术的进步,尤其是计算机断层扫描(CT)和磁共振成像(MRI)的广泛应用,医学图像处理成为图像处理领域的重要应用之一。医学图像处理的目标在于提取和分析医学图像中的有用信息,如病变检测、组织分割和三维重建等。这其中尤其以异常染色体的检测最常见,例如专利202210932614.8、202011161688.3等等。
对于异常染色体的检测,其通常需要大量的异常染色体的图像来对网络进行训练,从而提高其精度。
但是异常染色体的图像较为稀缺,这导致对于不同分辨率的异常染色体,由于获取到的训练数据较少,导致现有模型很难真正学习到各种分辨率下的异常染色体特征。这限制了现有技术在生成高质量异常染色体方面的能力。
此外,针对染色体特征提取具有局限性,现有技术主要依赖手工设计的特征提取器来捕捉条带特征。然而,手工设计的特征提取器往往受限于先验知识和经验,可能无法充分挖掘染色体图像中的潜在特征,导致生成结果的准确性和多样性不足。
发明内容
本发明的目的在于提供解决或部分解决上述问题的基于条带特征的不同分辨率异常染色体生成网络及方法。
为实现上述目的,本发明提供如下技术方案:
一种基于条带特征的不同分辨率异常染色体生成网络的系统,其是一个深度生成对抗模型,其用以在输入人工制造的染色体条带图像以及染色体编号即输出不同分辨率的异常染色体图像,其包括:
条带特征提取器,用以从真实染色体图像中提取不同分辨率的染色体条带图像;
生成器,用以将所述条带特征提取网络得到染色体条带图像进行片段颠倒和/或裁剪和/或添加噪声,以得到不同分辨率下的异常染色体图像;
判别器,用以染色体图像进行判别,以判断其是否为真实的染色体图像;
所述判别器是使用所述真实染色体图像和异常染色体图像进行训练得到的,训练的目标是所述判别器对所述真实染色体图像和异常染色体图像识别的结论的一致率大于80%。
优选的,所述基于条带特征的不同分辨率异常染色体生成网络的损失函数为:,其中/>表示输入的真实染色体图像,y表示染色体条带图像和染色体编号,/>表示经过判别器的输出,/>表示经过生成器的输出,Ex表示判别器网络的损失函数,Ez表示生成器网络的损失函数,z表示随机噪声。
本发明还提供一种基于条带特征的不同分辨率异常染色体生成方法,其包括所述的一种基于条带特征的不同分辨率异常染色体生成网络的系统,包括以下步骤:
S1.输入真实染色体图像,由所述条带特征提取器从所述真实染色体图像提取不同分辨率图像;
S2.从所述不同分辨率图像中提取染色体条带图像;
S3.对所述染色体条带图像进行片段颠倒和/或裁剪处理,并添加随机噪声,以得到异常染色体图像。
优选的,所述步骤S1中构建拉普拉斯金字塔以存储所述不同分辨率图像,其包括以下步骤:
S1-1. 使用高斯滤波器对输入图像进行平滑处理,然后进行下采样,得到低分辨率图像;其中,第一次的输入图像为所述真实染色体图像;
S1-2. 下采样完成后,将所述输入图像和下采样得到的低分辨率图像的图像之差存储为所述拉普拉斯金字塔的一层;
S1-3. 以下采样得到的低分辨率图像作为输入图像,重复步骤S1-1和S1-2直至得到全部所需分辨率图像为止。
优选的,所述步骤S2包括以下步骤以从所述不同分辨率图像中提取染色体条带图像:
S2-1.采用Zhang-Suen细化算法求取所述不同分辨率图像中的染色体的骨架,然后确定其中轴线;
S2-2.沿所述中轴线上等间距地选取N个点;
S2-3.在每个选取的点上作垂直线;
S2-4.将同一垂直线上的所有灰度值取平均值,构成染色体的剖面灰度直方图;
S2-5.对剖面灰度直方图应用非线性滤波,将其转化为均匀密度,峰谷之间的区域分别对应黑色和白色段,得到所述染色体条带图像。
优选的,所述步骤S3中连接一个多头注意力机制来捕捉染色体条带图像特征,其中,多头注意力公式为:
,
其中,分别表示查询向量、键向量和值向量,h表示头的数量,/>表示输出变换矩阵,/>表示第i个头的输出,且
。
其中,表示第i个头的查询向量、键向量和值向量的变换矩阵,表示自注意力计算函数:
,
其中,表示键向量的维度,T表示矩阵的转置,softmax(·)表示归一化函数。
优选的,所述判别器是一个条件深度卷积生成对抗网络,其接收染色体条带图像和染色体编号作为辅助信息输入,以判断输入的染色体图像是否是真实的染色体图像。
优选的,所述染色体编号采用独热编码,将其类别向量扩展到与染色体条带图像相同的维度,并使用广播的方式将其复制到与染色体条带图像具有相同维度的张量,以使得染色体编号能够作为辅助信息输入。
优选的,所述生成器将片段颠倒和/或裁剪得到的染色体条带图像、染色体编号和随机噪声作为输入,以生成异常染色体图像;所述生成器为染色体异常检测任务上训练好的网络模型的浅层结构,以从预训练模型中学习到染色体异常的部分特征和模式。
本发明的优点是:
1.本发明结合了条带特征和不同分辨率的信息,可以更准确地检测和分析染色体中的异常情况,通过捕捉不同分辨率下的条带特征,可以提高异常染色体的检测效果。
2. 使用不同分辨率的图像,可以进行多尺度分析,从而更全面地理解和评估染色体的异常情况;不同分辨率的图像提供了不同层次的细节信息,使得异常染色体的分析更加全面。
3. 本发明可以实现自动化的异常染色体生成,减轻了人工操作的负担。通过使用计算机视觉和图像处理技术,可以快速且高效地生成不同分辨率的异常染色体图像。
附图说明
图1是本发明某一实施例的原理示意图。
实施方式
下面结合具体实施方式对本发明的技术方案作进一步详细地说明。
在本发明的描述中,需要说明的是,术语“内”、“外”、“上”、“下”、“水平”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
如图1所示,本发明的一种基于条带特征的不同分辨率异常染色体生成网络的系统,其是一个深度生成对抗模型,其用以在输入人工制造的染色体条带图像以及染色体编号即输出不同分辨率的异常染色体图像,其包括:
条带特征提取器,用以从真实染色体图像中提取不同分辨率的染色体条带图像;
生成器,用以将条带特征提取网络得到染色体条带图像进行片段颠倒和/或裁剪和/或添加噪声,以得到不同分辨率下的异常染色体图像;
判别器,用以染色体图像进行识别,以判断其是否为真实的染色体图像;
判别器是使用真实染色体图像和异常染色体图像进行训练得到的,训练的目标是判别器对真实染色体图像和异常染色体图像判别的结论的一致率大于80%。
基于条带特征的不同分辨率异常染色体生成网络的损失函数为:,其中/>表示输入图像,y表示染色体条带图像和染色体编号,/>表示经过判别器的输出,/>表示经过生成器的输出,Ex表示判别器网络的损失函数,Ez表示生成器网络的损失函数,z表示随机噪声。
本发明还提供一种基于条带特征的不同分辨率异常染色体生成方法,其包括的一种基于条带特征的不同分辨率异常染色体生成网络,包括以下步骤:
S1.输入真实染色体图像,由条带特征提取器从真实染色体图像提取不同分辨率图像;
S2.从不同分辨率图像中提取染色体条带图像;
S3.对染色体条带图像进行片段颠倒和/或裁剪处理,并添加随机噪声,以得到异常染色体图像。
步骤S1中构建拉普拉斯金字塔以存储不同分辨率图像,其包括以下步骤:
S1-1. 使用高斯滤波器对输入图像进行平滑处理,然后进行下采样,得到低分辨率图像;其中,第一次的输入图像为真实染色体图像;
S1-2. 下采样完成后,将输入图像和下采样得到的低分辨率图像的图像之差、也即拉普拉斯残差,存储为拉普拉斯金字塔的一层;
S1-3. 以下采样得到的低分辨率图像作为输入图像,重复步骤S1-1和S1-2直至得到全部所需分辨率图像为止。使用拉普拉斯金字塔的各层来获取不同分辨率的图像,层级越高,分辨率越低。
步骤S2包括以下步骤以从不同分辨率图像中提取染色体条带图像:
S2-1.采用Zhang-Suen细化算法求取不同分辨率图像中的染色体的骨架,然后确定其中轴线;
S2-2.沿中轴线上等间距地选取N个点;
S2-3.在每个选取的点上作垂直线;
S2-4.将同一垂直线上的所有灰度值取平均值,构成染色体的剖面灰度直方图;
S2-5.对剖面灰度直方图应用非线性滤波,将其转化为均匀密度,峰谷之间的区域分别对应黑色和白色段,得到染色体条带图像。
某个具体实施例中,S2-1的具体步骤可以是:
1)初始化:将染色体图像转换为二值图像,将待细化的二值图像复制到一个临时数组中;
2)迭代细化:
2.1)对图像中的每个像素进行遍历;
2.2)如果当前像素是黑色(背景),跳过;
2.3)统计当前像素周围8邻域内的像素个数,记为A;
2.4)统计当前像素周围8邻域内的黑色像素个数,记为B;
2.5)如果当前像素是白色(前景)且同时满足以下条件,则标记为删除:
a.A的值为2到6之间;
b.B的值不为1;
c.当前像素的上、下、左、右像素中至少有一个是白色;
d.当前像素的左上、右上、右下、左下像素中至少有一个是白色;
2.6)将标记为删除的像素置为白色。
3)重复执行迭代细化步骤,直到没有可以细化的像素为止。
4)对骨架化的结果进行处理,去除断裂点和孤立点,获得更加平滑和连续的中轴线。
步骤S3中连接一个多头注意力机制来捕捉染色体条带图像特征。多头注意力机制是一种能够同时关注不同位置和特征的模型组件,它可以帮助模型更好地捕捉到染色体条带的局部特征。多头注意力机制在每个位置上通过对序列中的其他位置进行加权汇聚来生成每个位置的输出表示。可以更好地处理染色体条带信息,并捕捉到不同位置之间的关系和局部特征。利用多头注意力机制来增强模型对染色体条带信息的建模能力和表达能力。
本实施例中,多头注意力公式为:
其中,分别表示查询向量、键向量和值向量,h表示头的数量,/>表示输出变换矩阵,/>表示第i个头的输出,且。
其中,表示第i个头的查询向量、键向量和值向量的变换矩阵,表示自注意力计算函数:,其中,/>表示键向量的维度,T表示矩阵的转置,softmax(·)表示归一化函数。
判别器是一个条件深度卷积生成对抗网络,其接收染色体条带图像和染色体编号作为辅助信息输入,以判断输入的染色体图像是否是真实的染色体图像。
染色体编号采用独热编码。由于输入是图像数据,为了使得染色体编号能够作为辅助信息输入,将染色体编号的类别向量扩展到与染色体条带图像相同的维度,并使用广播的方式将其复制到与染色体条带图像具有相同维度的张量。
生成器将片段颠倒和/或裁剪得到的染色体条带图像作为输入,为了能够根据裁剪的染色体条带生成对应的染色体图像,还将染色体编号和随机噪声作为额外输入,以生成异常染色体图像,同时保证染色体图像和染色体条带信息一一对应还有两者的尺寸一致;生成器为染色体异常检测任务上训练好的网络模型的浅层结构,以提高生成的异常染色体的质量和准确性。通过这种方式,生成器可以从预训练模型中学习到染色体异常的一些特征和模式,从而更真实地生成异常染色体图像。用于染色体异常检测任务上训练好的网络模型是目前业界已经成熟的技术,从其中选用即可;例如专利201910129658.5、202011161688.3中使用的网络模型。
以上所述仅为本发明的实施例,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它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种基于条带特征的不同分辨率异常染色体生成网络的系统,其特征在于,其是一个深度生成对抗模型,其用以在输入人工制造的染色体条带图像以及染色体编号即输出不同分辨率的异常染色体图像,其包括:
条带特征提取器,用以从真实染色体图像中提取不同分辨率的染色体条带图像;
生成器,用以将所述条带特征提取网络得到染色体条带图像进行片段颠倒和/或裁剪和/或添加噪声,以得到不同分辨率下的异常染色体图像;
判别器,用以染色体图像进行判别,以判断其是否为真实的染色体图像;
所述判别器是使用所述真实染色体图像和异常染色体图像进行训练得到的,训练的目标是所述判别器对所述真实染色体图像和异常染色体图像识别的结论的一致率大于80%。
2.根据权利要求1所述的基于条带特征的不同分辨率异常染色体生成网络的系统,其特征在于,所述基于条带特征的不同分辨率异常染色体生成网络的损失函数为:,其中/>表示输入的真实染色体图像,y表示染色体条带图像和染色体编号,/>表示经过判别器的输出,/>表示经过生成器的输出,Ex表示判别器网络的损失函数,Ez表示生成器网络的损失函数,z表示随机噪声。
3.一种基于条带特征的不同分辨率异常染色体生成方法,其包括权利要求1或2其中之一所述的一种基于条带特征的不同分辨率异常染色体生成网络的系统,其特征在于,包括以下步骤:
S1.输入真实染色体图像,由所述条带特征提取器从所述真实染色体图像提取不同分辨率图像;
S2.从所述不同分辨率图像中提取染色体条带图像;
S3.对所述染色体条带图像进行片段颠倒和/或裁剪处理,并添加随机噪声,以得到异常染色体图像。
4.根据权利要求3所述的一种基于条带特征的不同分辨率异常染色体生成方法,其特征在于:所述步骤S1中构建拉普拉斯金字塔以存储所述不同分辨率图像,其包括以下步骤:
S1-1. 使用高斯滤波器对输入图像进行平滑处理,然后进行下采样,得到低分辨率图像;其中,第一次的输入图像为所述真实染色体图像;
S1-2. 下采样完成后,将所述输入图像和下采样得到的低分辨率图像的图像之差存储为所述拉普拉斯金字塔的一层;
S1-3. 以下采样得到的低分辨率图像作为输入图像,重复步骤S1-1和S1-2直至得到全部所需分辨率图像为止。
5.根据权利要求3所述的一种基于条带特征的不同分辨率异常染色体生成方法,其特征在于:所述步骤S2包括以下步骤以从所述不同分辨率图像中提取染色体条带图像:
S2-1.采用Zhang-Suen细化算法求取所述不同分辨率图像中的染色体的骨架,然后确定其中轴线;
S2-2.沿所述中轴线上等间距地选取N个点;
S2-3.在每个选取的点上作垂直线;
S2-4.将同一垂直线上的所有灰度值取平均值,构成染色体的剖面灰度直方图;
S2-5.对剖面灰度直方图应用非线性滤波,将其转化为均匀密度,峰谷之间的区域分别对应黑色和白色段,得到所述染色体条带图像。
6.根据权利要求5所述的一种基于条带特征的不同分辨率异常染色体生成方法,其特征在于:所述步骤S3中连接一个多头注意力机制来捕捉染色体条带图像特征,其中,多头注意力公式为:其中,/>分别表示查询向量、键向量和值向量,h表示头的数量,/>表示输出变换矩阵,/>表示第i个头的输出,且其中,/>表示第i个头的查询向量、键向量和值向量的变换矩阵,/>表示自注意力计算函数:/>,其中,/>表示键向量的维度,T表示矩阵的转置,softmax(·)表示归一化函数。
7.根据权利要求3所述的一种基于条带特征的不同分辨率异常染色体生成方法,其特征在于:所述判别器是一个条件深度卷积生成对抗网络,其接收染色体条带图像和染色体编号作为辅助信息输入,以判断输入的染色体图像是否是真实的染色体图像。
8.根据权利要求7所述的一种基于条带特征的不同分辨率异常染色体生成方法,其特征在于:所述染色体编号采用独热编码,将其类别向量扩展到与染色体条带图像相同的维度,并使用广播的方式将其复制到与染色体条带图像具有相同维度的张量,以使得染色体编号能够作为辅助信息输入。
9.根据权利要求3所述的一种基于条带特征的不同分辨率异常染色体生成方法,其特征在于:所述生成器将片段颠倒和/或裁剪得到的染色体条带图像、染色体编号和随机噪声作为输入,以生成异常染色体图像;所述生成器为染色体异常检测任务上训练好的网络模型的浅层结构,以从预训练模型中学习到染色体异常的部分特征和模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311028354.2A CN116777904B (zh) | 2023-08-16 | 2023-08-16 | 基于条带特征的不同分辨率异常染色体生成网络及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311028354.2A CN116777904B (zh) | 2023-08-16 | 2023-08-16 | 基于条带特征的不同分辨率异常染色体生成网络及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116777904A CN116777904A (zh) | 2023-09-19 |
CN116777904B true CN116777904B (zh) | 2023-10-24 |
Family
ID=87993295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311028354.2A Active CN116777904B (zh) | 2023-08-16 | 2023-08-16 | 基于条带特征的不同分辨率异常染色体生成网络及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777904B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136063A (zh) * | 2019-05-13 | 2019-08-16 | 南京信息工程大学 | 一种基于条件生成对抗网络的单幅图像超分辨率重建方法 |
CN111583109A (zh) * | 2020-04-23 | 2020-08-25 | 华南理工大学 | 基于生成对抗网络的图像超分辨率方法 |
CN113393461A (zh) * | 2021-08-16 | 2021-09-14 | 北京大学第三医院(北京大学第三临床医学院) | 基于深度学习的分裂中期染色体图像质量筛选方法和系统 |
CN115345797A (zh) * | 2022-08-22 | 2022-11-15 | 哈尔滨工业大学(深圳) | 基于生成对抗网络的染色体构像接触图增强方法和装置 |
CN115619774A (zh) * | 2022-11-22 | 2023-01-17 | 湖南自兴智慧医疗科技有限公司 | 染色体异常识别方法、系统及存储介质 |
-
2023
- 2023-08-16 CN CN202311028354.2A patent/CN116777904B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136063A (zh) * | 2019-05-13 | 2019-08-16 | 南京信息工程大学 | 一种基于条件生成对抗网络的单幅图像超分辨率重建方法 |
CN111583109A (zh) * | 2020-04-23 | 2020-08-25 | 华南理工大学 | 基于生成对抗网络的图像超分辨率方法 |
CN113393461A (zh) * | 2021-08-16 | 2021-09-14 | 北京大学第三医院(北京大学第三临床医学院) | 基于深度学习的分裂中期染色体图像质量筛选方法和系统 |
CN115345797A (zh) * | 2022-08-22 | 2022-11-15 | 哈尔滨工业大学(深圳) | 基于生成对抗网络的染色体构像接触图增强方法和装置 |
CN115619774A (zh) * | 2022-11-22 | 2023-01-17 | 湖南自兴智慧医疗科技有限公司 | 染色体异常识别方法、系统及存储介质 |
Non-Patent Citations (1)
Title |
---|
深度学习下主流染色体分类算法的性能评估;易序晟等;中国图象图形学报;第第28卷卷(第第2期期);第570-588页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116777904A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Edge strength similarity for image quality assessment | |
CN106228528B (zh) | 一种基于决策图与稀疏表示的多聚焦图像融合方法 | |
Zang et al. | UFA-FUSE: A novel deep supervised and hybrid model for multifocus image fusion | |
CN104504669B (zh) | 一种基于局部二值模式的中值滤波检测方法 | |
CN110648331B (zh) | 用于医学图像分割的检测方法、医学图像分割方法及装置 | |
Kwasniewska et al. | Super-resolved thermal imagery for high-accuracy facial areas detection and analysis | |
Li et al. | Edge-aware regional message passing controller for image forgery localization | |
Beham et al. | Morphological image processing approach on the detection of tumor and cancer cells | |
Singh et al. | Image forgery detection using deep neural network | |
Wei et al. | Deep video inpainting localization using spatial and temporal traces | |
Wang et al. | A deep and supervised atrous convolutional model for multi-focus image fusion | |
Li et al. | Deep scale-aware image smoothing | |
Gong et al. | Towards accurate pulmonary nodule detection by representing nodules as points with high-resolution network | |
CN116777904B (zh) | 基于条带特征的不同分辨率异常染色体生成网络及方法 | |
CN107977967B (zh) | 一种面向视角合成的无参考图像质量评价方法 | |
Shin et al. | Satellite image target super-resolution with adversarial shape discriminator | |
CN113034390B (zh) | 一种基于小波先验注意力的图像修复方法及系统 | |
Tian et al. | Retinal fundus image superresolution generated by optical coherence tomography based on a realistic mixed attention GAN | |
Chilukuri et al. | Analysing Of Image Quality Computation Models Through Convolutional Neural Network | |
Bai et al. | Super Resolution for Digital Rock Core Images via FSRCNN | |
Yang et al. | Infrared and visible image fusion based on modal feature fusion network and dual visual decision | |
Li | Image super-resolution algorithm based on RRDB model | |
He et al. | Feature aggregation convolution network for haze removal | |
Ooi et al. | Enhanced dense space attention network for super-resolution construction from single input image | |
Du et al. | License plate super-resolution reconstruction based on improved ESPCN network |
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 |