【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 ...
【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:/ ...
【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
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。