一种图像细节增强方法技术

本发明专利技术属于图像处理领域，涉及到一种图像细节增强方法。包括：采用扫描仪对医学影像电子图像进行多焦距扫描，训练过程包括：步骤A1，提取第一图像特征以及第二图像特征；步骤A2，获取细节增强图像并作为训练结果输出；步骤A3，判断训练损失值是否大于预设的损失值阈值：若是，则转向步骤A4；若否，则转向步骤A5；步骤A4，判断调节次数是否达到一预设的调节阈值：若是，则转向步骤A5；若否，则对权重参数进行调节，随后返回步骤A1；步骤A5，将训练形成的神经网络模型作为处理模型，随后退出训练过程。上述技术方案的有益效果是：利用处理模型对多焦距拍摄的医学影像电子图像进行识别和融合，以实现输出所有区域细节增强的图像。

An image detail enhancement method

【技术实现步骤摘要】
一种图像细节增强方法
本专利技术属于图像处理领域，涉及到一种图像细节增强方法。
技术介绍
在实际应用中，由于扫描技艺的限制、扫描镜头失焦容易引起图像不清晰、模糊，图像增强是通过一定方法对原图像进行分析、调整，有选择地突出图像中的部分区域。例如去除噪声、锐化、调整亮度等。图像增强包含色彩增强、细节增强等方向，实现的方式有传统的算法以及最近大热的深度学习方法。现有技术主要分为传统图像处理算法和深度学习两种，传统图像处理算法如《基于双边伽马校正和多尺度图像融合的图像增强方法》(CNCN104574337A)中提及的伽马校正、拉普拉斯变换，需要人工大量的调参试错才有可能试出一种较优的结果，当换一类输入的图像时，免不了又要重新调参，费时费力。而深度学习方法中，如《一种基于全卷积神经网络的单图像增强方法》(CN109447907A)中利用预测曝光的神经网络模型，对输入的图像进行分析，从而产生一系列低曝光图像和高曝光图像，再用多曝光融合网络来对上述的低曝光和高曝光图像进行融合，从而恢复一定的由于图像曝光不足和曝光过度引起的丢失信息，但对于本来就失焦的区域不能做到细节增强，无法还原图像本来的内容，如《一种基于Retinex理论的多曝光图像融合方法》(CN109300101A)对不同曝光图像进行亮度估计，然后再进行融合得到对比度增强的图像，但仍存在局限性，同样无法恢复已失焦区域的内容。综上所述，传统图像处理算法需要人工大量的调参试错才有可能试出一种较优的结果，费时费力，而深度学习方向的现有的图像增强技术效果相较于传统图像处理算法上效果占优，但还是无法恢复很多细节部分，在一定程度上限制了图像细节增强的效果。
技术实现思路
针对上述的现有技术的缺陷，本专利技术提供一种图像细节增强方法，用于对医学影像电子图像进行处理；其特征在于，包括一处理模型的训练过程；于所述训练过程中，首先采用扫描仪对多张已知的所述医学影像电子图像进行多焦距的扫描，得到多组子图像，每组所述子图像对应于一张所述医学影像电子图像；每组所述子图像中包括多张所述子图像，每张所述子图像用于表示所述医学影像电子图像的一种呈现方式；将所述子图像以及对应的所述医学影像电子图像作为训练数据；所述训练过程具体包括：步骤A1，将所述训练数据输入至一神经网络模型，提取所述训练数据的第一图像特征，并转向步骤A2；以及将所述训练数据输入至所述神经网络模型，提取所述训练数据的第二图像特征，并转向步骤A2；步骤A2，根据所述第一图像特征和所述第二图像特征，获取细节增强图像，并将所述细节增强图像作为训练结果输出；步骤A3，将所述训练数据和对应的所述训练结果进行计算获取针对本次训练的训练损失值，判断所述训练损失值是否大于预设的损失值阈值：若是，则转向步骤A4；若否，则转向步骤A5；步骤A4，判断对所述神经网络模型的权重参数进行的调节次数是否达到一预设的调节阈值：若是，则转向步骤A5；若否，则根据所述训练损失值对所述神经网络模型的权重参数进行调节，随后返回所述步骤A1；步骤A5，将训练形成的所述神经网路模型作为所述处理模型，随后退出所述训练过程；所述图像细节增强方法还包括一对所述医学影像电子图像进行处理的过程：步骤B1，扫描得到所述医学影像电子图像；步骤B2，将所述医学影像电子图像输入至训练完成的所述处理模型中，以输出处理后的所述医学影像电子图像。优选的，在执行所述步骤A1之前，首先执行一预处理过程，所述预处理过程包括：步骤C1，将所述子图像中的不同通道的对应值分别进行零均值处理；步骤C2，将所述子图像进行不同角度的旋转。优选的，所述步骤A1中，将所述训练数据输入至一神经网络模型，提取所述训练数据的第一图像特征的方法具体包括：步骤A11a，采用所述神经网络模型中的一第一子网络提取所述训练数据的初级图像特征；步骤A12a，采用所述第一子网络，在所述初级图像特征的基础上提取对应的高级图像特征；步骤A13a，采用所述第一子网络对所述高级图像特征进行均值处理，获取所述第一图像特征并输出。优选的，所述步骤A1中，将所述训练数据输入至所述神经网络模型，提取所述训练数据的第二图像特征的方法具体包括：步骤A11b，采用所述神经网络模型中的一第二子网络对所述训练数据进行均值处理，将均值处理的结果作为均值训练数据；步骤A12b，采用所述第二子网络，提取所述均值训练数据的图像特征，并作为所述第二图像特征输出。优选的，所述步骤A2中包括：步骤A21，采用所述神经网络模型中的一第三子网络获取所述第一图像特征和所述第二图像特征，并将所述第一图像特征和所述第二图像特征进行特征融合，获取图像融合特征；步骤A22，采用所述第三子网络，在所述图像融合特征的基础上进行图像重建，获取细节增强图像并将所述细节增强图像作为训练结果输出。优选的，所述步骤A3中，将所述训练数据和对应的所述训练结果进行计算获取针对本次训练的训练损失值的方法中具体包括：步骤A31，采用一具有预设尺寸的滑动窗口在所述训练数据和所述训练结果中进行遍历滑动，以获取所述训练结果与所述训练数据之间的最大相似值；步骤A32，将所述的所有区域中的所述最大相似值进行均值处理，获取最终的训练损失值。优选的，所述步骤A31中，采用下述公式获取所述训练数据与所述训练结果之间的相似值，并根据所有所述训练损失值获取所述最大相似值：其中，SSIM用于表示所述训练结果与所述训练数据中的每张所述子图像之间的所述相似值；Ii用于表示所述训练数据，i为所述子图像在对应组中的排序序号；I4为所述训练结果；为所述训练数据中每组所述子图像的平均值；为所述训练结果的平均值；为所述训练数据中每组所述子图像的标准差；为所述训练结果的标准差；为所述训练数据和所述训练结果的协方差；c1和c2为常数；M_SSIM用于表示所述最大相似值。优选的，所述步骤A32中，采用下述公式计算得到所述训练损失值：其中，loss用于表示所述训练损失值；M_SSIMp用于表示第p次遍历获取的所述最大相似值；q为遍历的总次数。上述技术方案的有益效果是：利用处理模型对多焦距拍摄的医学影像电子图像进行识别和融合，以实现输出所有区域细节增强的图像。附图说明图1为本专利技术的一种较优实施例中的训练过程的流程图；图2为本专利技术的一种较优实施例中的处理过程的流程图；图3为本专利技术的一种较优实施例中的预处理过程的流程图；图4为本专利技术的一种较优实施例中的神经网络模型的示意图；图5为本专利技术的一种较优实施例中的提取第一图像特征的流程图；图6为本专利技术的一种较优实施例中的提取第二图像特征的示意图；本文档来自技高网...

【技术保护点】
1.一种图像细节增强方法，用于对医学影像电子图像进行处理；其特征在于，包括一处理模型的训练过程；/n于所述训练过程中，首先采用扫描仪对多张已知的所述医学影像电子图像进行多焦距的扫描，得到多组子图像，每组所述子图像对应于一张所述医学影像电子图像；/n每组所述子图像中包括多张所述子图像，每张所述子图像用于表示所述医学影像电子图像的一种呈现方式；/n将所述子图像以及对应的所述医学影像电子图像作为训练数据；/n所述训练过程具体包括：/n步骤A1，将所述训练数据输入至一神经网络模型，提取所述训练数据的第一图像特征，并转向步骤A2；以及/n将所述训练数据输入至所述神经网络模型，提取所述训练数据的第二图像特征，并转向步骤A2；/n步骤A2，根据所述第一图像特征和所述第二图像特征，获取细节增强图像，并将所述细节增强图像作为训练结果输出；/n步骤A3，将所述训练数据和对应的所述训练结果进行计算获取针对本次训练的训练损失值，判断所述训练损失值是否大于预设的损失值阈值：/n若是，则转向步骤A4；/n若否，则转向步骤A5；/n步骤A4，判断对所述神经网络模型的权重参数进行的调节次数是否达到一预设的调节阈值：/n若是，则转向步骤A5；/n若否，则根据所述训练损失值对所述神经网络模型的权重参数进行调节，随后返回所述步骤A1；/n步骤A5，将训练形成的所述神经网路模型作为所述处理模型，随后退出所述训练过程；/n所述图像细节增强方法还包括一对所述医学影像电子图像进行处理的过程：/n步骤B1，扫描得到所述医学影像电子图像；/n步骤B2，将所述医学影像电子图像输入至训练完成的所述处理模型中，以输出处理后的所述医学影像电子图像。/n...

【技术特征摘要】
1.一种图像细节增强方法，用于对医学影像电子图像进行处理；其特征在于，包括一处理模型的训练过程；
于所述训练过程中，首先采用扫描仪对多张已知的所述医学影像电子图像进行多焦距的扫描，得到多组子图像，每组所述子图像对应于一张所述医学影像电子图像；
每组所述子图像中包括多张所述子图像，每张所述子图像用于表示所述医学影像电子图像的一种呈现方式；
将所述子图像以及对应的所述医学影像电子图像作为训练数据；
所述训练过程具体包括：
步骤A1，将所述训练数据输入至一神经网络模型，提取所述训练数据的第一图像特征，并转向步骤A2；以及
将所述训练数据输入至所述神经网络模型，提取所述训练数据的第二图像特征，并转向步骤A2；
步骤A2，根据所述第一图像特征和所述第二图像特征，获取细节增强图像，并将所述细节增强图像作为训练结果输出；
步骤A3，将所述训练数据和对应的所述训练结果进行计算获取针对本次训练的训练损失值，判断所述训练损失值是否大于预设的损失值阈值：
若是，则转向步骤A4；
若否，则转向步骤A5；
步骤A4，判断对所述神经网络模型的权重参数进行的调节次数是否达到一预设的调节阈值：
若是，则转向步骤A5；
若否，则根据所述训练损失值对所述神经网络模型的权重参数进行调节，随后返回所述步骤A1；
步骤A5，将训练形成的所述神经网路模型作为所述处理模型，随后退出所述训练过程；
所述图像细节增强方法还包括一对所述医学影像电子图像进行处理的过程：
步骤B1，扫描得到所述医学影像电子图像；
步骤B2，将所述医学影像电子图像输入至训练完成的所述处理模型中，以输出处理后的所述医学影像电子图像。


2.如权利要求1所述的一种图像细节增强方法，其特征在于，在执行所述步骤A1之前，首先执行一预处理过程，所述预处理过程包括：
步骤C1，将所述子图像中的不同通道的对应值分别进行零均值处理；
步骤C2，将所述子图像进行不同角度的旋转。


3.如权利要求1所述的一种图像细节增强方法，其特征在于，所述步骤A1中，将所述训练数据输入至所述神经网络模型，提取所述训练数据的第一图像特征的方法具体包括：
步骤A11a，采用所述神经网络模型中的一第一子网络提取所述训练数据的初级图像特征；
步骤A12a，采用所述第一子网络，在所述初级图像特征的基础上提取对应的高级图像特征；
步骤A13a，采用所述第一子网络对所述高级图像特征进行均值处理，获取所述第一图像特征并输出。

...

【专利技术属性】
技术研发人员：刘炳宪，谢菊元，桂坤，操家庆，王强，
申请(专利权)人：杭州智团信息技术有限公司，
类型：发明
国别省市：浙江;33