基于无监督学习的内窥镜图像增强方法技术

本发明专利技术涉及一种基于无监督学习的内窥镜图像增强方法，包括四个步骤：(1)对原始内窥镜图像数据集进行预处理，利用三种图像增强技术处理原始图像得到三张派生图；(2)将原始图像和其对应的派生图转换到HSI颜色空间，保持H通道图像不变，将派生图的I通道图像输入无监督学习网络，进行深度网络模型训练；(3)根据网络训练后得到的训练参数，得到I通道图像增强结果；(4)对原始图像的S通道图像进行自适应非线性拉伸处理，并将HSI颜色空间转换回RGB颜色空间输出最终增强图像。本发明专利技术的无监督学习网络不需要ground truth作为参考图像，通过non

【技术实现步骤摘要】
基于无监督学习的内窥镜图像增强方法


[0001]本专利技术涉及医学图像增强及计算机网络
，特别涉及一种基于无监督学习的内窥镜图像增强方法。

技术介绍

[0002]内窥镜成像是一种诊断和医疗程序。医生通过电子内窥镜能直接观察到人体内脏器官的组织形态及病变情况。内窥镜已广泛应用于胃、肠等食管消化系统的检查、诊断和治疗。内窥镜图像的质量直接影响医生对疾病的准确分析和诊断。然而，由于照明条件的限制和人体内脏器官的复杂环境的限制，由内窥镜直接获得的图像往往存在纹理特征弱、亮度不均匀、对比度低等问题，导致一些人体内的组织形态特征的缺失。从而影响医生对疾病分析和诊断的准确度。因此，内窥镜图像增强的研究对于辅助医生诊断具有重要意义。
[0003]近年来，研究人员提出了一些经典的图像增强方法来提高内窥镜图像的质量。随着深度学习的迅速发展，深度卷积神经网络逐渐成为图像增强领域的主要驱动力。此类方法通过对深度卷积神经网络的学习，建立低质图像与高质量图像之间复杂的非线性映射关系，从而达到增强低质图像的目的。由于内窥镜图像的复杂特点，内窥镜图像增强技术的研本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无监督学习的内窥镜图像增强方法，其特征在于，操作步骤如下：步骤1：对原始内窥镜图像数据集进行预处理，利用三种图像增强技术处理原始图像得到三张派生图；步骤2：将原始内窥镜图像和其对应的派生图转换到HSI颜色空间，保持H通道图像不变，将派生图的I通道图像输入无监督学习网络，进行深度网络模型训练；步骤3：根据网络训练后得到的训练参数，得到I通道图像增强结果；步骤4：对原始内窥镜图像的S通道图像进行自适应非线性拉伸处理，并将HSI颜色空间图像转换回RGB颜色空间输出最终增强图像。2.根据权利要求1所述的一种基于无监督学习的内窥镜图像增强方法，其特征在于，所述步骤1的预处理包括如下具体操作步骤：1
‑
1：调整原始内窥镜图像的分辨率为256
×
256像素；1
‑
2：利用三种经典的图像增强技术即CLAHE、Gamma和LIME来处理原始图像得到相应的派生图；1
‑
3：将得到的数据集按3:1:1的比例划分训练集、验证集和测试集。3.根据权利要求1所述的一种基于无监督学习的内窥镜图像增强方法，其特征在于，所述步骤2的网络模型包括如下具体操作步骤：2
‑
1：将RGB颜色空间转换到HSI颜色空间；2
‑
2：无监督学习网络，称为DerivedFuse，它由三个部分组成，分别是特征提取、特征融合和重建。将数据集中的派生图的I通道图像输入...

【专利技术属性】
技术研发人员：刘金华，黄东晋，周舒华，石永生，
申请(专利权)人：上海大学，
类型：发明
国别省市：