【技术实现步骤摘要】
字典训练及图像超分辨重建方法、系统、设备及存储介质
本专利技术属于计算机
，尤其涉及一种字典训练及图像超分辨重建方法、系统、设备及存储介质。
技术介绍
电子计算机断层扫描(ComputedTomography，CT)是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作断面扫描，可用于多种疾病的检查，是我国装机量最大的医疗影像诊断设备之一。通过低剂量的CT得到的图像分辨率低，通常会具有高噪音、较为模糊且颗粒化明显，这对于临床医学上的观察是不可靠的，非常有可能造成误诊的情况，目前为保证CT图像高分辨率，采用的是高剂量的CT，但高剂量CT会产生高强度的辐射而对病人身体产生极大的伤害，并且由于需要全采样，因此CT时间较长，同时容易出现因病人运动而引起的伪影现象。
技术实现思路
本专利技术的目的在于提供一种字典训练及图像超分辨重建方法、系统、设备及存储介质，旨在解决现有技术所存在的、无法在保证CT图像质量的同时降低对病人的辐射剂量的问题。一方面，本专利技术提供了一种字典获取方法，所述字典获取方法包括下述步骤：获得高分辨率样本图像以及与所述...
【技术保护点】
1.一种字典获取方法，其特征在于，所述字典获取方法包括下述步骤：获得高分辨率样本图像以及与所述高分辨率样本图像对应的低分辨率样本图像；从所述高分辨率样本图像中选取高分辨率样本图像块，从所述低分辨率样本图像中选取与所述高分辨率样本图像块对应的低分辨率样本图像块，以组成样本图像块对；对所述样本图像块对中的高分辨率样本图像块及所述低分辨率样本图像块进行特征提取，得到组成样本图像块对数据的高分辨率样本特征数据及低分辨率样本特征数据；基于所述高分辨率样本图像块在高分辨率字典上的稀疏表达与所述低分辨率样本图像块在对应的低分辨率字典上的稀疏表达一致，定义所述样本图像块对数据中所述高分辨率...
【技术特征摘要】
1.一种字典获取方法，其特征在于，所述字典获取方法包括下述步骤：获得高分辨率样本图像以及与所述高分辨率样本图像对应的低分辨率样本图像；从所述高分辨率样本图像中选取高分辨率样本图像块，从所述低分辨率样本图像中选取与所述高分辨率样本图像块对应的低分辨率样本图像块，以组成样本图像块对；对所述样本图像块对中的高分辨率样本图像块及所述低分辨率样本图像块进行特征提取，得到组成样本图像块对数据的高分辨率样本特征数据及低分辨率样本特征数据；基于所述高分辨率样本图像块在高分辨率字典上的稀疏表达与所述低分辨率样本图像块在对应的低分辨率字典上的稀疏表达一致，定义所述样本图像块对数据中所述高分辨率样本特征数据与所述低分辨率样本特征数据之间的映射关系，所述映射关系依赖于所述低分辨率样本特征数据；将所述样本图像块对数据分组后所得到的每个样本图像块对数据组，分别采用第一机器学习算法进行学习，得到每一所述第一机器学习算法所对应的、映射关系临时最优解；通过第二机器学习算法，从所述映射关系临时最优解的集合中，确定一所述映射关系临时最优解作为映射关系最终解；以所述映射关系最终解及所述低分辨率样本特征数据，计算得到高分辨率临时样本特征数据，所述高分辨率临时样本特征数据以及所述低分辨率样本特征数据组成临时样本图像块对数据；将所述临时样本图像块对数据采用相应的第三机器学习算法进行学习，解出所述高分辨率字典及所述低分辨率字典，所述第三机器学习算法中定义有所述高分辨率临时样本特征数据、所述低分辨率样本特征数据、所述高分辨率字典及所述低分辨率字典的约束关系。2.如权利要求1所述的字典获取方法，其特征在于，所述第一机器学习算法具体为：决策树算法，所述决策树算法中定义了节点分裂函数，所述节点分裂函数以一依赖于所述低分辨率样本特征数据的响应函数作为约束条件。3.如权利要求2所述的字典获取方法，其特征在于，所述决策树算法中还定义了一依赖于所述低分辨率样本特征数据及所述高分辨率样本特征数据的质量函数。4.如权利要求2所述的字典获取方法，其特征在于，所述决策树算法的决策树数量及深度因需适应性选择。5.一种图像超分辨重建方法，其特征在于，所述图像超分辨重建方法基于如权利要求1至4中任一项所述的字典获取方法，所述图像超分辨重建方法包括：获得低分辨率待处理图像；利用所述高分辨率字典及所述低分辨率字典，对所述低分辨率待处理图像进行图像超分辨重建。6.如权利要求1至5...
【专利技术属性】
技术研发人员：胡战利，梁栋，谷佩键，杨永峰，刘新，郑海荣，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。