CN118096584A - 基于上下文感知和多尺度扩散网络的超声图像增强方法 - Google Patents
基于上下文感知和多尺度扩散网络的超声图像增强方法 Download PDFInfo
- Publication number
- CN118096584A CN118096584A CN202410523952.5A CN202410523952A CN118096584A CN 118096584 A CN118096584 A CN 118096584A CN 202410523952 A CN202410523952 A CN 202410523952A CN 118096584 A CN118096584 A CN 118096584A
- Authority
- CN
- China
- Prior art keywords
- image
- representing
- diffusion
- images
- 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.)
- Granted
Links
- 238000009792 diffusion process Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000000694 effects Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000013461 design Methods 0.000 claims abstract description 12
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 238000002604 ultrasonography Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 2
- 238000011084 recovery Methods 0.000 abstract description 7
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了基于上下文感知和多尺度扩散网络的超声图像增强方法，涉及超声图像技术领域，包括以下步骤：S1：数据集收集并预处理：收集大量的超声图像数据，并进行预处理，预处理包括对图像进行标准化及增强对比度，以减少数据中的不一致性和噪声对增强效果的影响；S2：上下文感知模块设计：采用金字塔型主网络作为上下文感知模块。本发明充分利用图像的上下文信息和多尺度特征，有效提高超声图像的质量、清晰度和细节恢复能力。
Description
技术领域
本发明涉及超声图像技术领域，具体地讲，涉及基于上下文感知和多尺度扩散网络的超声图像增强方法。
背景技术
超声图像增强是医学图像处理领域的重要研究方向，旨在通过图像处理和深度学习等技术手段，改善超声图像的质量和清晰度，以提高医学诊断的准确性和可靠性。超声图像在医学影像中具有广泛应用，但由于其特殊的成像原理和设备特性，常常受到噪声、模糊、低对比度等问题的影响，导致图像质量较差，难以获得清晰的结构信息。传统的超声图像增强方法主要包括滤波方法、边缘增强方法、频域处理方法等。其中，基于滤波的方法主要通过应用线性或非线性滤波器来去除噪声和平滑图像，但这些方法容易造成图像细节损失。边缘增强方法着重于增强图像的边缘信息，但在一些情况下容易引入伪影。频域处理方法则通过傅里叶变换或小波变换等频域技术来改善图像质量，但在处理非均匀性问题时效果有限。
近年来，深度学习技术的发展为超声图像增强带来了新的机遇。基于深度学习的方法能够自动从大量数据中学习图像特征和复杂的非线性映射，对超声图像进行端到端的学习和优化，从而取得更好的增强效果。与提出方案最相近的实现方案可能是基于卷积神经网络（CNN）的超声图像增强方法。这类方法使用CNN网络对超声图像进行特征提取和映射，通过训练网络，使其学习到从低质量的超声图像到高质量的增强图像的映射关系。存在以下技术缺点：1.缺乏上下文感知能力：传统的CNN方法通常只考虑局部像素之间的关系，对于图像的全局上下文信息的捕捉能力较弱。这可能导致在处理复杂结构和大范围图像区域时，增强效果不理想。2.对多尺度特征的处理不充分：传统的CNN通常采用固定尺度的卷积核，在提取特征时可能难以适应不同尺度的图像结构，从而对多尺度特征的处理不充分。3.难以处理细节恢复：对于超声图像的细节恢复，传统CNN方法可能存在限制。由于网络中的池化和卷积操作，可能会导致图像的细节信息损失，尤其是在处理低对比度和模糊图像时效果有限。4.需要大量训练数据：传统的CNN方法通常需要大量的带有高质量参考图像的训练数据，而超声图像数据的获取和标注通常较为困难，可能会限制方法的泛化能力。
发明内容
本发明要解决的技术问题是提供基于上下文感知和多尺度扩散网络的超声图像增强方法，充分利用图像的上下文信息和多尺度特征，有效提高超声图像的质量、清晰度和细节恢复能力。
本发明采用如下技术方案实现发明目的：
基于上下文感知和多尺度扩散网络的超声图像增强方法，其特征在于，包括以下步骤：
S1：数据集收集并预处理：收集大量的超声图像数据，并进行预处理，预处理包括对图像进行标准化及增强对比度，以减少数据中的不一致性和噪声对增强效果的影响；
S2：上下文感知模块设计：采用金字塔型主网络作为上下文感知模块，在网络中使用卷积层和池化层，以增强对图像特征的提取和上下文感知能力，并引入非线性激活函数和批量归一化技术，增强网络的非线性建模能力和收敛速度；
S3：多尺度扩散模块设计：设计多个并行的扩散处理器，每个处理器负责在不同尺度上执行扩散操作，通过设置不同的卷积核大小或引入多尺度的卷积操作，实现多尺度扩散处理；
S4：特征融合模块设计：在多尺度扩散模块输出的特征图之间引入特征融合模块，以整合多尺度特征，采用跳跃连接及注意力机制，将来自不同尺度的特征进行融合，特征融合后的特征图具有更丰富的多尺度信息，可用于下一步的图像增强处理；
S5：损失函数设计：设计损失函数来指导网络训练，使用像素级差异损失、感知损失或结构相似性损失，以衡量增强结果与参考高分辨率图像之间的相似性和质量；
S6：训练和优化：使用预处理后的超声图像数据集进行网络的训练，并采用优化算法来优化网络参数，使得网络能够逐渐收敛并获得好的增强效果；
S7：将训练好的网络进行测试。
作为本技术方案的进一步限定，所述步骤S3中多尺度扩散模块由以下步骤组成：
S31：尺度设置：在多尺度扩散模块中，设置不同的尺度参数，表示不同的图像分辨率，可采用不同大小的卷积核或高斯滤波器来控制尺度的大小；
S32：特征提取：对输入的图像进行特征提取，得到不同尺度的特征图，使用卷积层来获得图像的多尺度特征；
S33：动态扩散：对每个尺度上的特征图应用动态扩散模型，通过迭代求解偏微分方程来实现扩散过程，假设某个尺度上的特征图为，通过以下方程来求解扩散过程：
（1）；
其中：表示时间；
表示图像的梯度运算；
表示扩散系数，通过调整可控制扩散的速度和强度；
表示特征图随时间的变化率，即扩散过程，通过迭代求解该方程，可以在该尺度上实现动态扩散过程。
作为本技术方案的进一步限定，所述S6中，使用像素级差异损失及结构相似性损失共同串联起来作为损失函数；
S61：像素级差异损失是指生成图像与目标图像之间像素点之间的差异，假设是生成图像，/>是目标图像，图像大小为/>，则像素级差异损失可以表示为：
（2）；
其中：代表图像的高度，/>代表图像的宽度，/>代表图像的通道数；
代表的是图像高度的变化量，/>代表的是图像宽度的变化量，/>代表的是图像通道数的变化量；
代表的是生成图像的像素值，/>代表的是目标图像的像素值；
S62：结构相似性损失用于比较两幅图像的结构相似性的指标，它同时考虑了亮度、对比度及结构信息；对于生成图像和目标图像/>，结构相似性损失可表示为：
（3）；
其中：是生成图像的通道数；
是计算两幅图像在通道上的结构相似性；
代表了生成图像通道数的变化量；
综合以上两个损失函数得到最终的损失函数：
（4）；
其中：和/>是用于平衡两个损失的权重系数。
作为本技术方案的进一步限定，所述S7的具体流程为：
S71：准备一批新的未使用过的超声图像作为测试集，确保这些图像与训练集中的图像来自相似的医学场景，以保持测试的一致性和可比性；
S72：对测试集中的图像进行与训练集相同的预处理操作，包括标准化及对比度增强，以确保输入图像与训练图像在相似的条件下进行增强；
S73：采用了图像峰值信噪比与图像结构相似度作为评价指标，其中图像峰值信噪比的计算方法如下：
（5）；
其中：为原始超声图像；
为增强后的超声图像；
表示整幅图像像素值的x轴坐标；
表示整幅图像像素值的y轴坐标；
表示图像的高度；
表示图像的宽度；
表示图像像素的最大值；
表示原始图像的像素值；
表示修复后图像的像素值；
值越高，表明前后图像相关度越高，图像细节保留较完整；
图像结构相似度表示两张图像之间结构相似性的度量，其取值范围在0到1之间，数值越大表示两张图像之间越相似；
图像结构相似度的计算公式如下：
（6）；
其中：表示原始超声图像；
表示增强后的超声图像；
表示原始图像的像素值的平均值；
表示水印去除后的图像的像素值的平均值；
表示原始图像的像素值的方差；
分别水印去除后的图像的像素值的方差；
表示两张图像的像素值的协方差；
和/>是常数，用来避免分母为零的情况。
作为本技术方案的进一步限定，所述S6中优化算法为梯度下降算法。
与现有技术相比，本发明的优点和积极效果是：本发明通过引入上下文感知和多尺度扩散的技术，结合深度神经网络，设计一种更为高效和有效的超声图像增强方法。该方法旨在克服传统CNN方法的技术缺点，更好地捕捉图像的上下文信息和多尺度特征，实现对超声图像的细节恢复和清晰度提升。通过综合应用图像处理和深度学习技术，提高超声图像的质量和清晰度，改善噪声和模糊问题，使其在医学诊断和临床应用中具有更广阔的应用前景。同时，优化网络架构和模型复杂度，以实现高效、快速的图像增强，提高系统的实时性和性能。本发明上下文感知能力增强：引入上下文感知机制，使得网络能够更好地理解图像的全局结构和特征。通过考虑像素与周围像素之间的关系，可以更精确地捕捉图像的上下文信息，从而在增强过程中更好地保留图像的结构和细节；多尺度扩散处理：设计多尺度扩散模块，有利于处理不同尺度的图像结构和特征。通过在不同尺度上执行扩散过程，可以适应图像中的细节变化和结构差异，从而在增强过程中更好地保留图像的细节和边缘；更好的细节恢复：通过上下文感知和多尺度扩散的结合，能够更好地处理超声图像的细节恢复问题。相比传统CNN方法，我们的方法更有可能在处理低对比度和模糊图像时取得更好的效果；灵活的参数调整：基于上下文感知和多尺度扩散网络，可以设计灵活的参数调整机制，根据图像的特点和任务的需求，自适应地调整网络的参数。这样可以提高网络的灵活性和适应性，适用于不同类型的图像增强任务；鲁棒性和泛化能力：我们的方法可以通过合理的设计和数据增强，减轻数据不足带来的影响，提高网络的鲁棒性和泛化能力。这样能够更好地适应不同场景和数据的图像增强任务，从而在医学诊断和临床应用中具有更广阔的应用前景。
附图说明
图1为本发明的网络结构框图。
具体实施方式
下面结合附图，对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
本发明包括以下步骤：S1：数据集收集并预处理：收集大量的超声图像数据，并进行预处理，预处理包括对图像进行标准化及增强对比度等操作，以减少数据中的不一致性和噪声对增强效果的影响。
S2：上下文感知模块设计：采用金字塔型主网络作为上下文感知模块，用于捕捉图像的全局和局部信息，在网络中使用适当的卷积层和池化层，以增强对图像特征的提取和上下文感知能力，并引入非线性激活函数和批量归一化等技术，增强网络的非线性建模能力和收敛速度。
S3：多尺度扩散模块设计：设计多个并行的扩散处理器，每个处理器负责在不同尺度上执行扩散操作，通过设置不同的卷积核大小或引入多尺度的卷积操作，实现多尺度扩散处理。
多尺度扩散模块是基于动态扩散模型的一种改进，用于处理不同尺度的图像特征和结构，该模块通过在不同尺度上执行扩散过程，使网络能够更好地适应图像中的细节变化和结构差异，从而更好地保留图像的细节和边缘。所述步骤S3中多尺度扩散模块由以下步骤组成：
S31：尺度设置：在多尺度扩散模块中，设置不同的尺度参数，表示不同的图像分辨率，可采用不同大小的卷积核或高斯滤波器来控制尺度的大小；
S32：特征提取：对输入的图像进行特征提取，得到不同尺度的特征图，使用卷积层来获得图像的多尺度特征；
S33：动态扩散：对每个尺度上的特征图应用动态扩散模型，通过迭代求解偏微分方程来实现扩散过程，假设某个尺度上的特征图为，通过以下方程来求解扩散过程：
（1）；
其中：表示时间；
表示图像的梯度运算；
表示扩散系数，通过调整可控制扩散的速度和强度；
表示特征图随时间的变化率，即扩散过程，通过迭代求解该方程，可以在该尺度上实现动态扩散过程。
通过上述步骤，多尺度扩散模块可以实现对图像特征的多尺度处理，从而更好地适应图像中的细节变化和结构差异，增强图像的细节和边缘。在超声图像增强中，该模块有望提高超声图像的质量、清晰度和细节恢复能力。
S4：特征融合模块设计：在多尺度扩散模块输出的特征图之间引入特征融合模块，以整合多尺度特征，采用跳跃连接及注意力机制等方法，将来自不同尺度的特征进行融合，特征融合后的特征图具有更丰富的多尺度信息，可用于下一步的图像增强处理。
S5：损失函数设计：设计损失函数来指导网络训练，使用像素级差异损失、感知损失（VGG损失）或结构相似性损失（SSIM），以衡量增强结果与参考高分辨率图像之间的相似性和质量。
S6：训练和优化：使用预处理后的超声图像数据集进行网络的训练，并采用优化算法来优化网络参数，使得网络能够逐渐收敛并获得更好的增强效果。
所述S6中，使用像素级差异损失及结构相似性损失共同串联起来作为损失函数；
S61：像素级差异损失是指生成图像与目标图像之间像素点之间的差异，假设是生成图像，/>是目标图像，图像大小为/>，则像素级差异损失可以表示为：
（2）；
其中：代表图像的高度，/>代表图像的宽度，/>代表图像的通道数；
代表的是图像高度的变化量，/>代表的是图像宽度的变化量，/>代表的是图像通道数的变化量；
代表的是生成图像的像素值，/>代表的是目标图像的像素值；
S62：结构相似性损失用于比较两幅图像的结构相似性的指标，它同时考虑了亮度、对比度及结构信息；对于生成图像和目标图像/>，结构相似性损失可表示为：
（3）；
其中：是生成图像的通道数；
是计算两幅图像在通道上的结构相似性；
代表了生成图像通道数的变化量；
综合以上两个损失函数得到最终的损失函数：
（4）；
其中：和/>是用于平衡两个损失的权重系数。
每个损失函数都具有独特的优势，像素级差异损失可以有效地衡量生成图像与目标图像之间的像素差异，促进细节恢复。结构相似性损失(SSIM)能够综合考虑图像的亮度、对比度和结构信息，帮助生成图像更好地保持目标图像的结构和纹理。使用多个损失函数融合的方法有助于改善网络的收敛性。不同的损失函数在不同的方面提供了优化信号，这样可以帮助网络更快地收敛到更好的结果。单独使用一个损失函数可能会对噪声或异常数据较为敏感，而融合多个损失函数可以降低这种敏感性，提高模型的鲁棒性。综合损失函数可以使网络更加全面地考虑多个因素，从而更好地应对各种情况。综合损失函数可以在保留图像细节的同时，提高生成图像与目标图像的结构相似性。通过综合考虑像素级差异、特征表示和结构相似性，可以实现更好的超声图像增强效果。
S7：将训练好的网络进行测试。
所述S7的具体流程为：
S71：准备一批新的未使用过的超声图像作为测试集，确保这些图像与训练集中的图像来自相似的医学场景，以保持测试的一致性和可比性；
S72：对测试集中的图像进行与训练集相同的预处理操作，包括标准化及对比度增强，以确保输入图像与训练图像在相似的条件下进行增强；
S73：采用了图像峰值信噪比与图像结构相似度作为评价指标，其中图像峰值信噪比的计算方法如下：
（5）；
其中：为原始超声图像；
为增强后的超声图像；
表示整幅图像像素值的x轴坐标；
表示整幅图像像素值的y轴坐标；
表示图像的高度；
表示图像的宽度；
表示图像像素的最大值；
表示原始图像的像素值；
表示修复后图像的像素值；
值越高，表明前后图像相关度越高，图像细节保留较完整；
图像结构相似度表示两张图像之间结构相似性的度量，其取值范围在0到1之间，数值越大表示两张图像之间越相似；
图像结构相似度的计算公式如下：
（6）；
其中：表示原始超声图像；
表示增强后的超声图像；
表示原始图像的像素值的平均值；
表示水印去除后的图像的像素值的平均值；
表示原始图像的像素值的方差；
分别水印去除后的图像的像素值的方差；
表示两张图像的像素值的协方差；
和/>是常数，用来避免分母为零的情况。
根据评价指标的结果对方法进行性能分析，评估基于上下文感知和多尺度扩散网络的超声图像增强方法的效果和性能。并根据测试结果，如果有必要，可以调整超参数（如损失函数权重、网络架构等），进一步优化超声图像增强方法。通过上述测试流程和评价指标，可以对基于上下文感知和多尺度扩散网络的超声图像增强方法进行全面的评估，验证其有效性和可靠性，并指导后续优化和应用。
所述S6中优化算法为梯度下降算法。
以上公开的仅为本发明的具体实施例，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (5)
1.基于上下文感知和多尺度扩散网络的超声图像增强方法，其特征在于，包括以下步骤：
S1：数据集收集并预处理：收集大量的超声图像数据，并进行预处理，预处理包括对图像进行标准化及增强对比度，以减少数据中的不一致性和噪声对增强效果的影响；
S2：上下文感知模块设计：采用金字塔型主网络作为上下文感知模块，在网络中使用卷积层和池化层，以增强对图像特征的提取和上下文感知能力，并引入非线性激活函数和批量归一化技术，增强网络的非线性建模能力和收敛速度；
S3：多尺度扩散模块设计：设计多个并行的扩散处理器，每个处理器负责在不同尺度上执行扩散操作，通过设置不同的卷积核大小或引入多尺度的卷积操作，实现多尺度扩散处理；
S4：特征融合模块设计：在多尺度扩散模块输出的特征图之间引入特征融合模块，以整合多尺度特征，采用跳跃连接及注意力机制，将来自不同尺度的特征进行融合，特征融合后的特征图具有更丰富的多尺度信息，可用于下一步的图像增强处理；
S5：损失函数设计：设计损失函数来指导网络训练，使用像素级差异损失、感知损失或结构相似性损失，以衡量增强结果与参考高分辨率图像之间的相似性和质量；
S6：训练和优化：使用预处理后的超声图像数据集进行网络的训练，并采用优化算法来优化网络参数，使得网络能够逐渐收敛并获得好的增强效果；
S7：将训练好的网络进行测试。
2.根据权利要求1所述的基于上下文感知和多尺度扩散网络的超声图像增强方法，其特征在于：所述步骤S3中多尺度扩散模块由以下步骤组成：
S31：尺度设置：在多尺度扩散模块中，设置不同的尺度参数，表示不同的图像分辨率，可采用不同大小的卷积核或高斯滤波器来控制尺度的大小；
S32：特征提取：对输入的图像进行特征提取，得到不同尺度的特征图，使用卷积层来获得图像的多尺度特征；
S33：动态扩散：对每个尺度上的特征图应用动态扩散模型，通过迭代求解偏微分方程来实现扩散过程，假设某个尺度上的特征图为，通过以下方程来求解扩散过程：
（1）；
其中：表示时间；
表示图像的梯度运算；
表示扩散系数，通过调整可控制扩散的速度和强度；
表示特征图随时间的变化率，即扩散过程，通过迭代求解该方程，可以在该尺度上实现动态扩散过程。
3.根据权利要求2所述的基于上下文感知和多尺度扩散网络的超声图像增强方法，其特征在于：所述S6中，使用像素级差异损失及结构相似性损失共同串联起来作为损失函数；
S61：像素级差异损失是指生成图像与目标图像之间像素点之间的差异，假设是生成图像，/>是目标图像，图像大小为/>，则像素级差异损失可以表示为：
（2）；
其中：代表图像的高度，/>代表图像的宽度，/>代表图像的通道数；
代表的是图像高度的变化量，/>代表的是图像宽度的变化量，/>代表的是图像通道数的变化量；
代表的是生成图像的像素值，/>代表的是目标图像的像素值；
S62：结构相似性损失用于比较两幅图像的结构相似性的指标，它同时考虑了亮度、对比度及结构信息；对于生成图像和目标图像/>，结构相似性损失可表示为：
（3）；
其中：是生成图像的通道数；
是计算两幅图像在通道上的结构相似性；
代表了生成图像通道数的变化量；
综合以上两个损失函数得到最终的损失函数：
（4）；
其中：和/>是用于平衡两个损失的权重系数。
4.根据权利要求3所述的基于上下文感知和多尺度扩散网络的超声图像增强方法，其特征在于：所述S7的具体流程为：
S71：准备一批新的未使用过的超声图像作为测试集，确保这些图像与训练集中的图像来自相似的医学场景，以保持测试的一致性和可比性；
S72：对测试集中的图像进行与训练集相同的预处理操作，包括标准化及对比度增强，以确保输入图像与训练图像在相似的条件下进行增强；
S73：采用了图像峰值信噪比与图像结构相似度作为评价指标，其中图像峰值信噪比的计算方法如下：
（5）；
其中：为原始超声图像；
为增强后的超声图像；
表示整幅图像像素值的x轴坐标；
表示整幅图像像素值的y轴坐标；
表示图像的高度；
表示图像的宽度；
表示图像像素的最大值；
表示原始图像的像素值；
表示修复后图像的像素值；
值越高，表明前后图像相关度越高，图像细节保留较完整；
图像结构相似度表示两张图像之间结构相似性的度量，其取值范围在0到1之间，数值越大表示两张图像之间越相似；
图像结构相似度的计算公式如下：
（6）；
其中：表示原始超声图像；
表示增强后的超声图像；
表示原始图像的像素值的平均值；
表示水印去除后的图像的像素值的平均值；
表示原始图像的像素值的方差；
分别水印去除后的图像的像素值的方差；
表示两张图像的像素值的协方差；
和/>是常数，用来避免分母为零的情况。
5.根据权利要求1所述的基于上下文感知和多尺度扩散网络的超声图像增强方法，其特征在于：所述S6中优化算法为梯度下降算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410523952.5A CN118096584B (zh) | 2024-04-29 | 2024-04-29 | 基于上下文感知和多尺度扩散网络的超声图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410523952.5A CN118096584B (zh) | 2024-04-29 | 2024-04-29 | 基于上下文感知和多尺度扩散网络的超声图像增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118096584A true CN118096584A (zh) | 2024-05-28 |
| CN118096584B CN118096584B (zh) | 2024-06-25 |
Family
ID=91148200
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410523952.5A Active CN118096584B (zh) | 2024-04-29 | 2024-04-29 | 基于上下文感知和多尺度扩散网络的超声图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118096584B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140341481A1 (en) * | 2013-03-15 | 2014-11-20 | Karen A. Panetta | Methods and Apparatus for Image Processing and Analysis |
| CN113222877A (zh) * | 2021-06-03 | 2021-08-06 | 北京理工大学 | 红外和可见光图像融合方法及其在机载光电视频中的应用 |
| CN115719463A (zh) * | 2022-11-21 | 2023-02-28 | 珠海市金锐电力科技有限公司 | 一种基于超分辨率重构和自适应挤压激励的烟火检测方法 |
| CN115880225A (zh) * | 2022-11-10 | 2023-03-31 | 北京工业大学 | 一种基于多尺度注意力机制的动态光照人脸图像质量增强方法 |
| CN116739899A (zh) * | 2023-06-12 | 2023-09-12 | 重庆理工大学 | 基于saugan网络的图像超分辨率重建方法 |
| CN117079106A (zh) * | 2023-08-17 | 2023-11-17 | 西安理工大学 | 基于光场重聚焦特征学习的多聚焦图像融合方法 |
| CN117217997A (zh) * | 2023-08-31 | 2023-12-12 | 西安交通大学 | 一种基于上下文感知边缘增强的遥感图像超分辨率方法 |
| CN117809338A (zh) * | 2023-12-29 | 2024-04-02 | 南京邮电大学 | 一种基于空频域定位和边缘扩散增强的伪装目标检测方法 |
| CN117934824A (zh) * | 2023-12-11 | 2024-04-26 | 云南大学 | 一种超声影像的目标区域分割方法、系统及电子设备 |
-
2024
- 2024-04-29 CN CN202410523952.5A patent/CN118096584B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140341481A1 (en) * | 2013-03-15 | 2014-11-20 | Karen A. Panetta | Methods and Apparatus for Image Processing and Analysis |
| CN113222877A (zh) * | 2021-06-03 | 2021-08-06 | 北京理工大学 | 红外和可见光图像融合方法及其在机载光电视频中的应用 |
| CN115880225A (zh) * | 2022-11-10 | 2023-03-31 | 北京工业大学 | 一种基于多尺度注意力机制的动态光照人脸图像质量增强方法 |
| CN115719463A (zh) * | 2022-11-21 | 2023-02-28 | 珠海市金锐电力科技有限公司 | 一种基于超分辨率重构和自适应挤压激励的烟火检测方法 |
| CN116739899A (zh) * | 2023-06-12 | 2023-09-12 | 重庆理工大学 | 基于saugan网络的图像超分辨率重建方法 |
| CN117079106A (zh) * | 2023-08-17 | 2023-11-17 | 西安理工大学 | 基于光场重聚焦特征学习的多聚焦图像融合方法 |
| CN117217997A (zh) * | 2023-08-31 | 2023-12-12 | 西安交通大学 | 一种基于上下文感知边缘增强的遥感图像超分辨率方法 |
| CN117934824A (zh) * | 2023-12-11 | 2024-04-26 | 云南大学 | 一种超声影像的目标区域分割方法、系统及电子设备 |
| CN117809338A (zh) * | 2023-12-29 | 2024-04-02 | 南京邮电大学 | 一种基于空频域定位和边缘扩散增强的伪装目标检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 青晨;禹晶;肖创柏;段娟;: "深度卷积神经网络图像语义分割研究进展", 中国图象图形学报, no. 06, 16 June 2020 (2020-06-16) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118096584B (zh) | 2024-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111407245B (zh) | 一种基于摄像头的非接触式心率、体温测量方法 | |
| US11915430B2 (en) | Image analysis apparatus, image analysis method, and storage medium to display information representing flow quantity | |
| CN110796616B (zh) | 基于范数约束和自适应加权梯度的湍流退化图像恢复方法 | |
| CN112819910A (zh) | 基于双鬼注意力机制网络的高光谱图像重建方法 | |
| CN111062978B (zh) | 基于频域滤波技术的时空图像测流的纹理识别方法 | |
| JP7353803B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| CN113781468B (zh) | 一种基于轻量级卷积神经网络的舌图像分割方法 | |
| CN114399480A (zh) | 蔬菜叶片病害严重程度检测方法及装置 | |
| CN117934824A (zh) | 一种超声影像的目标区域分割方法、系统及电子设备 | |
| CN109658357A (zh) | 一种面向遥感卫星图像的去噪方法 | |
| CN111401209B (zh) | 一种基于深度学习的动作识别方法 | |
| Krishnan et al. | A novel underwater image enhancement technique using ResNet | |
| 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 | |
| CN115830514B (zh) | 一种适用于带弯曲河道的全河段表面流速计算方法及系统 | |
| CN116884036A (zh) | 基于YOLOv5DA的生猪姿态检测方法、装置、设备及介质 | |
| CN117058079A (zh) | 基于改进ResNet模型的甲状腺显像图像自动诊断方法 | |
| CN113963427B (zh) | 一种快速活体检测的方法与系统 | |
| 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 | |
| Yi et al. | Attention-model guided image enhancement for robotic vision applications | |
| CN111435448B (zh) | 图像显著性物体检测方法、装置、设备及介质 | |
| CN107123105A (zh) | 基于fast算法的图像匹配缺陷检测方法 | |
| Chao et al. | Instance-aware image dehazing | |
| KR102617391B1 (ko) | 이미지 신호 프로세서의 제어 방법 및 이를 수행하는 제어 장치 | |
| Li et al. | Dynamic-clustering extreme intensity prior based blind image deblurring | |
| CN117953349B (zh) | 一种中药材的病虫害检测方法、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 |