视网膜图像超分辨率重建的通道加权生成式对抗网络方法技术

本发明专利技术属于图像重建领域，特别是涉及一种视网膜图像超分辨率重建的通道加权生成式对抗网络方法。本发明专利技术包括：1)预处理视网膜图像数据集；2)在原始SRGAN模型中加入SENet，构建基于通道加权的生成网络和判别网络；3)设计新的融合损失函数，用于保留有用的低频信息和局部纹理细节信息；4)用训练数据集训练模型；5)使用训练好的生成模型对视网膜图像进行重建，得到相应的超分辨率重建图像。本发明专利技术重建图像与原始视网膜图像亮度更加一致，重建后的视网膜图像的细节信息丰富。

Channel weighted generation network method for super-resolution reconstruction of retinal image

【技术实现步骤摘要】
视网膜图像超分辨率重建的通道加权生成式对抗网络方法
本专利技术属于图像重建领域，特别是涉及一种视网膜图像超分辨率重建的通道加权生成式对抗网络方法。
技术介绍
图像超分辨率重建是一种利用低分辨率图像来产生高分辨率图像的技术，广泛应用在军事、医学、公共安全、计算机视觉等领域。基于计算机视觉的视网膜图像处理是医学技术和计算机科学技术的结合。视网膜微血管病变是人体糖尿病、高血压等疾病病理检测的直接反应，由于成像条件差，人眼固有相差的局限，通常采集到的视网膜图像像素对比度低、局部光照不均、血管分布复杂密集，存在多种纹理背景，图像质量并不高的问题，不利于医生对患者病情的诊断。因此在正式诊断前，期望获取具有覆盖特定病理的更高分辨率视网膜图像以辅助医疗诊断。近年来，基于生成对抗网络的超分辨率图像重建技术方兴未艾。由于生成式对抗网络能够生成非常逼真的图像，各国学者纷纷进行了深入的研究，提出多种基于生成对抗网络的图像超分辨率重建模型。主要包括：密集残差网络模型，针对单图像超分辨率重建的深度残差网络模型(EDSR)、基于自动纹理分析的增强网络(Enh本文档来自技高网...

【技术保护点】
1.视网膜图像超分辨率重建的通道加权生成式对抗网络方法，其特征在于，包括如下步骤：/n步骤1，预处理视网膜图像数据集，分别得到高分辨率图像和相应的低分辨率图像，构造训练和重建数据集；/n步骤2，构建生成对抗网络模型；/n在原始SRGAN模型中引入SENet，分别构建SENet生成网络和SENet判别网络；具体网络结构如图1和图2所示所示；在SRGAN模型的生成器的卷积层1之后、卷积层2之后、残差模块中的卷积层之后、和放大模块中的卷积层之后分别插入SENet，构成SENet生成网络；分别在SRGAN模型的判别器的卷积模块1至卷积模块7的卷积层之后插入SENet构成SENet判别网络；/n步骤3，...

【技术特征摘要】
1.视网膜图像超分辨率重建的通道加权生成式对抗网络方法，其特征在于，包括如下步骤：
步骤1，预处理视网膜图像数据集，分别得到高分辨率图像和相应的低分辨率图像，构造训练和重建数据集；
步骤2，构建生成对抗网络模型；
在原始SRGAN模型中引入SENet，分别构建SENet生成网络和SENet判别网络；具体网络结构如图1和图2所示所示；在SRGAN模型的生成器的卷积层1之后、卷积层2之后、残差模块中的卷积层之后、和放大模块中的卷积层之后分别插入SENet，构成SENet生成网络；分别在SRGAN模型的判别器的卷积模块1至卷积模块7的卷积层之后插入SENet构成SENet判别网络；
步骤3，设计融合损失函数；
均方误差损失LMSE可以提高重建图像的峰值信噪比；VGG损失LVGG可以生成更细致的纹理；对抗...

【专利技术属性】
技术研发人员：郑丽颖，邴鑫阳，赵硕，李忠晓，张钰渤，张晏博，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙;23