一种结合马尔科夫场和格拉姆矩阵特征的医学类图像风格迁移方法技术

本发明专利技术公开了一种结合马尔科夫场和格拉姆矩阵特征的医学类图像风格迁移方法，包括1)对目标图像和参考图像进行预操作；2)通过计算目标图像的拉普拉斯矩阵来构建仿射损失函数，约束局部仿射来约束图像变换；3)利用深度神经网络提取目标图像和参考图像的各层次深度特征，通过迭代聚合深度特征；4)构建内容保持损失和风格损失函数；5)通过构建的总损失函数，利用梯度下降法不断更新初始图像直到具有参考图像的风格信息和目标图像的纹理结构。本发明专利技术能够完成医学场景下的风格迁移功能，并能产生真实且美观的医学图像。

【技术实现步骤摘要】
一种结合马尔科夫场和格拉姆矩阵特征的医学类图像风格迁移方法
本专利技术涉及医学类图像风格化以及深度学习和风格迁移方法，具体是一种结合马尔科夫场和格拉姆矩阵特征的医学类图像风格迁移方法。
技术介绍
图像风格迁移技术利用深度学习原理将参考图像风格迁移到目标图像上：输入一张目标图像和一张参考图像，通过算法使生成图像保留目标图像的结构同时又拥有参考图像的艺术风格。图像风格迁移的意义在于，使用者事先并不需要学习绘画或者修图技术，而是使用一种通用模型，仅利用计算机工具就可以对不同的图像进行风格迁移，使目标图像具有使用者预设的艺术性风格。尽管现代医学影像技术已经取得了巨大的成功，但是真彩色的医学图像依旧比较匮乏。伪彩色处理通过色阶把在灰度医学图像中不易分辨的一些细节在伪彩色图像中显现出来，对于这些医学图像进行伪彩色处理是一种非常有效的图像增强技术。不同的彩色信息能够显著突出图像中的不同区域。尽管医生凭借专业知识和临床经验能够分辨出原始医学图像中的病灶区域以及相关信息，但是利用计算机将灰度医学图像彩色化可以更加清晰的体现图像的病灶区域信息，这能本文档来自技高网...

【技术保护点】
1.一种结合马尔科夫场和格拉姆矩阵特征的医学类图像风格迁移方法，其特征在于，包括以下步骤：/n1)将目标图像和参考图像调整为相同的尺寸大小，然后通过自动语义分割模块分别获取各自对应的语义分割映射；/n2)利用计算目标图像的拉普拉斯矩阵，构建仿射损失函数，约束图像纹理结构；/n3)设置一张与目标图像相同的初始化图像，将所述初始化图像、步骤1)中的参考图像和目标图像输入到深度神经网络中提取多个卷积层的深度特征，通过迭代聚合不同层提取的特征；/n4)利用提取的深度特征构建总损失约束项，包括对内容纹理的约束和对风格的约束；/n5)通过总损失函数的梯度，根据误差反向传播算法求得总损失关于步骤3)中初始化...

【技术特征摘要】
1.一种结合马尔科夫场和格拉姆矩阵特征的医学类图像风格迁移方法，其特征在于，包括以下步骤：
1)将目标图像和参考图像调整为相同的尺寸大小，然后通过自动语义分割模块分别获取各自对应的语义分割映射；
2)利用计算目标图像的拉普拉斯矩阵，构建仿射损失函数，约束图像纹理结构；
3)设置一张与目标图像相同的初始化图像，将所述初始化图像、步骤1)中的参考图像和目标图像输入到深度神经网络中提取多个卷积层的深度特征，通过迭代聚合不同层提取的特征；
4)利用提取的深度特征构建总损失约束项，包括对内容纹理的约束和对风格的约束；
5)通过总损失函数的梯度，根据误差反向传播算法求得总损失关于步骤3)中初始化图像的梯度，然后通过基于梯度的优化方法对深度神经网络进行优化，迭代更新初始化图像从而得到生成图像。


2.根据权利要求1所述一种结合马尔科夫场和格拉姆矩阵特征的医学类图像风格迁移方法，其特征在于：步骤1)所述自动语义分割模块采用的是预训练的HRNetV2网络。


3.根据权利要求1所述一种结合马尔科夫场和格拉姆矩阵特征的医学类图像风格迁移方法，其特征在于：步骤2)所述约束图像纹理结构包括，在颜色空间中通过约束局部仿射来约束图像变换，在迁移过程中，对于每一个颜色块，都存在仿射函数将图像的RGB颜色空间值映射输入到其对应输出的位置。


4.根据权利要求3所述一种结合马尔科夫场和格拉姆矩阵特征的医学类图像风格迁移方法，其特征在于：步骤2)所述仿射损失函数为



MI为目标图像的拉普拉斯矩阵，O为生成图像，定义Vc[O]为生成图像O在每个通道c上的向量化。


5.根据权利要求1所述一种结合马尔科夫场和格拉姆矩阵特征的医学类图像风格迁移方法，其特征在于：步骤3)所述深度神经网络为进行微调后的VGG...

【专利技术属性】
技术研发人员：曾宪华，陆宇喆，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50