-
公开(公告)号：CN117710240B
公开(公告)日：2024-05-24
申请号：CN202311745585.5
申请日：2023-12-15
申请人： 山东财经大学
摘要： 本发明提出的一种自监督图像去噪方法、系统、装置及可读存储介质，所述方法包括：构造含噪图像的数据集；利用非对称下采样盲点网络框架构造互补盲点网络框架，并在互补盲点网络框架中设置掩码映射器分支和具有分块随机置乱的增强像素重组下采样分支；在互补盲点网络框架中，将掩码映射器分支和增强像素重组下采样分支进行组合，在盲点网络中增设判断条件参数，生成互补盲点网络；利用Adam优化器训练互补盲点网络；利用测试数据集，通过对不同下采样步长的结果进行加权平均来获得最终去噪结果。本发明能够补充盲点网络中缺失像素的信息，消除在下采样中产生的混叠伪影，平衡图像纹理区域与平坦区域之间的恢复差距，提高网络的去噪性能。
-
公开(公告)号：CN116703772B
公开(公告)日：2024-03-15
申请号：CN202310710196.2
申请日：2023-06-15
申请人： 山东财经大学
IPC分类号： G06T5/70 , G06T5/60 , G06T3/4007 , G06N3/0464 , G06N3/048 , G06N3/084
摘要： 本发明提供一种基于自适应插值算法的图像去噪方法、系统及终端机，提取待去噪图像和预设图像，并分别对待去噪图像和预设图像进行裁切，将裁切后的图像块作为插值去噪网络数据集；利用深度学习框架构造卷积插值网络；卷积插值网络包含若干CIB卷积插值模块堆叠形成；利用深度学习框架和Adam优化器对卷积插值网络进行训练，形成图像去噪网络；将插值去噪网络数据集中待去噪图像输入至训练好的图像去噪网络中，得到去噪后的图像。本发明通过向深度卷积神经网络引入插值操作，为去噪过程补充了先验信息，对拟合过程形成正则化的效果，减少去噪过程中的信息丢失和信息浪费。
-
公开(公告)号：CN116342444A
公开(公告)日：2023-06-27
申请号：CN202310123425.0
申请日：2023-02-14
申请人： 山东财经大学
IPC分类号： G06T5/50 , G06T7/00 , G06F17/16 , G06N3/0464
摘要： 本发明提供一种双通道多模态图像融合方法及融合成像终端机，涉及医学成像技术领域，通过JBF变换将源图像分解为结构通道和能量通道；采用局部梯度能量算子将结构通道与组织纤维等小边缘小尺度的细节信息进行融合，采用局部熵细节增强算子、PCNN和相位一致性的NSCT将能量通道与器官边缘强度、纹理特征以及灰度变化情况进行融合；通过逆JBF变换得到融合图像。本发明能够使融合图像在保持边缘、降噪平滑的基础上,增强细节信息,提高与多模态医学图像相似程度的医学图像融合。对结构通道采用改进式的局部梯度能量算子,进一步提高了对融合图像细节信息的表达。
-
公开(公告)号：CN113706379B
公开(公告)日：2023-05-26
申请号：CN202110866378.X
申请日：2021-07-29
申请人： 山东财经大学
IPC分类号： G06T3/40 , G06T11/00 , G06T7/00 , G06V10/82 , G06N3/0464 , G06N3/044 , G06N3/045 , G06N3/0475 , G06N3/094
摘要： 本发明提供一种基于医学图像处理的层间插值方法及系统，方法使用生成式对抗网络将医学图像转换成连续二值图；基于自适应分离卷积网络对连续二值图插值进行处理生成中间二值图；使用生成式对抗网络将中间二值图映射回其对应的原图像。本发明解决了传统的自适应可分离卷积网络运行过程需要消耗大量计算能力和存储使用量的缺陷。本发明在图像转换模块生成网络中的解码阶段使用双线性上采样模块去除传统生成网络生成图像中的棋盘状伪影以实现医学图像和其相对应的二值图像之间的循环映射。在插值模块中使用专门应用于医学图像的损失函数替代传统的逐像素损失函数来保留生成图像的边缘以避免图像模糊,并进一步提高生成图像的质量。
-
公开(公告)号：CN113436128A
公开(公告)日：2021-09-24
申请号：CN202110837765.0
申请日：2021-07-23
申请人： 山东财经大学
摘要： 本发明提供一种双鉴别器多模态MR图像融合方法、系统及终端，采用双鉴别器分别对融合图像和MR‑T1图像,融合图像和MR‑T2图像进行特征提取及分类,以确保融合图像在相同程度上保留MR‑T1和MR‑T2的特征；采用U‑Net结构代替普通的卷积神经网络结构作为生成器；基于U‑Net的跨层连接结构,在上采样重构图像的过程中将同级底层特征保留下来。能够保证医学图像中一些微小的细节信息得以保留,对于医生的临床诊断和治疗是极其有帮助的。采用基于生成对抗思想的GAN网络来对生成器进行训练。在本发明的GAN中,设置了双鉴别器分别对两种模态的源图像和融合图像进行分类,以保证两种模态源图像中的信息都可以在最大程度上得以保留。
-
公开(公告)号：CN113205148A
公开(公告)日：2021-08-03
申请号：CN202110552134.4
申请日：2021-05-20
申请人： 山东财经大学
摘要： 本发明提供一种迭代层间信息融合的医学图像帧插值方法及终端机，通过三层卷积网络提取医学图像特征，输入骨干网络中，对图像的层间进行预测；构建层间信息融合模块，将真实层间图像的有效特征信息融入骨干网络，并输出的中间结果；在层间信息融合模块中利用分权融合损失函数优化骨干网络。通过构建层间信息融合模块，即从真实数据中提取出层间有效信息融入中间预测图像，并使用分权融合损失函数度量预测帧，以达到准确预测层间图像的目的。网络采用卷积层提取输入图像序列的特征，同时利用自定义骨干网络进行恒等变换，从而降低模型对网络深度的敏感程度，在此基础上通过加深网络扩大其在二维平面上的空间广度，最终输出一帧中间预测图像。
-
公开(公告)号：CN110189308B
公开(公告)日：2020-10-23
申请号：CN201910415029.9
申请日：2019-05-17
申请人： 山东财经大学
摘要： 本发明提供一种基于BM3D和稠密卷积网络融合的肿瘤检测方法和装置，标记相似块；随机丢弃与快速标记；优化及训练DenseNet网络；利用输入图像的空间信息、结构信息以及提取的特征信息基于深度训练的数据进行重建。将输入的空间信息抽象为一维,减少不可逆初始特征丢失现象。构建融合BM3D的稠密卷积网络,使用可缩放指数型线性单元激活函数代替线性非饱和单元激活函数激活网络,引入负数部分参数,提升网络优化度并增强网络鲁棒性,并在每块稠密块后增加一层最大池化层抽象图像特征,提取肿瘤核心信息点。网络末端采用BM3D的聚合方法进行特征重建,融合梯度、空间信息提升网络效果。有效地提升了肿瘤检测的准确度。
-
公开(公告)号：CN111709483A
公开(公告)日：2020-09-25
申请号：CN202010560820.1
申请日：2020-06-18
申请人： 山东财经大学
摘要： 本发明提供一种基于多特征的超像素聚类方法及设备，方法融合图像的边界特征和纹理特征，结合图像的多种特征实现超像素分割。通过聚类阶段和合并阶段。在聚类阶段，通过衡量像素之间的相似性判定像素的归属，聚类得到预分割超像素；聚类阶段的相似性度量从像素的颜色特征和空间位置特征入手，添加边界特征因子来调和位于边界邻近区域的像素点间的相似程度。过程得到的超像素边缘紧密贴合，但是分割过于细致，因而需要对其进一步修正。在合并阶段，将根据超像素内容的独特性衡量超像素之间的相似程度，将零散的超像素聚合得到最终超像素。本发明与现有方法相比，在保持超像素边界和图像中物体边界贴合方面表现出更高的性能。
-
公开(公告)号：CN111476888A
公开(公告)日：2020-07-31
申请号：CN202010272244.0
申请日：2020-04-09
申请人： 山东财经大学
摘要： 本发明提供一种基于三维空间体拟合的医学图像层间插值方法、设备及可读存储介质，配置三维空间体素拟合及配准的医学图像层间插值算法的两个约束条件；构建三维空间体；修正空间体；构造逼近空间体，对空间体进行重采样生成待插值医学图像。对空间体进行重采样生成质量较好的待插值层间图像.通过采样公式对原图像序列反向采样局部地构造三元二次多项式空间体,将二次多项式空间体加权平均生成单位空间体,再将所有的单位空间体拼合成拟合三维空间体,最后对空间体进行重采样生成待插值图像.方法生成的层间图像的质量不论在视觉评价还是客观数值上均有所提升,且有效地提高了插值效率。
-
公开(公告)号：CN107221013B
公开(公告)日：2020-07-17
申请号：CN201710344897.3
申请日：2017-05-16
摘要： 本发明提供一种基于变分光流估计肺部4D‑CT图像超分辨率处理方法，构建了一个用于求解肺部4D‑CT不同相位图像之间的光流场的变分光流模型；利用快速交替方向乘子法求解该模型，得到不同相位图像之间的光流场；基于光流场，并利用非局部迭代反投影超分辨率重建算法，实现了高分辨率肺部图像的重建。本方法在增强图像纹理结构的同时更好地保留了图像的轮廓。影响超分辨率重建算法效果的主要因素是图像配准的精度，采用了局部和全局相结合CLG的变分光流估计模型获得更加精准稠密的光流场，并采用快速交替方向乘子法实现光流模型的快速求解；其二，采用基于边缘的非局部迭代反投影算法，有效增强超分辨率图像中的边缘和纹理细。
-
-
-
-
-
-
-
-
-
搜索结果
56 条记录 (耗时 0.039 秒)
