一种图像处理方法、系统和存储介质技术方案

本说明书实施例提供一种图像处理方法、系统和存储介质。所述方法包括：获取待处理图像和多幅噪声等级图像，所述多幅噪声等级图像对应多种降噪程度；利用降噪模型，基于待处理图像和多幅噪声等级图像，确定多种降噪程度对应的多幅降噪图像；降噪模型为机器学习模型，包括基础层和多个处理层，基础层基于待处理图像生成基础图，多个处理层包括多个目标处理层，每个目标处理层基于基础图和多幅噪声等级图像中的一幅生成多幅降噪图像中的一幅降噪图像。像。像。

【技术实现步骤摘要】
一种图像处理方法、系统和存储介质


[0001]本说明书涉及图像处理领域，特别涉及一种图像降噪方法、系统和存储介质。

技术介绍

[0002]基于深度学习的图像降噪可以去除图像中复杂的噪声，有效提高图像的信噪比，但可能存在图像细节被减弱或抹去的风险，所以需要设置合适的降噪程度使得在有效减少噪声的同时又能够最大程度保留图像细节。然而，不同图像对降噪程度的需求不同，而现有的深度学习模型只能输出单一降噪程度的结果。
[0003]因此，有必要提供一种图像处理方案，可以满足不同图像对不同降噪程度的需求。

技术实现思路

[0004]本说明书一个或多个实施例提供一种图像处理方法，所述方法包括：获取待处理图像和多幅噪声等级图像，所述多幅噪声等级图像对应多种降噪程度；利用降噪模型，基于待处理图像和多幅噪声等级图像，确定多种降噪程度对应的多幅降噪图像；降噪模型为机器学习模型，包括基础层和多个处理层，基础层基于待处理图像生成基础图，多个处理层包括多个目标处理层，每个目标处理层基于基础图和多幅噪声等级图像中的一幅生成多幅降噪图像中的一幅降噪图像。
[0005]本说明书一个或多个实施例提供一种图像处理系统，所述系统包括：获取模块，用于获取待处理图像和多幅噪声等级图像，所述多幅噪声等级图像对应多种降噪程度；降噪模块，用于利用降噪模型，基于待处理图像和多幅噪声等级图像，确定多种降噪程度对应的多幅降噪图像；降噪模型为机器学习模型，包括基础层和多个处理层，基础层基于待处理图像生成基础图，多个处理层包括多个目标处理层，每个目标处理层基于基础图和多幅噪声等级图像中的一幅生成多幅降噪图像中的一幅降噪图像。
[0006]本说明书一个或多个实施例提供一种图像处理装置，所述装置包括至少一个存储介质，存储计算机指令；至少一个处理器，执行所述计算机指令，以实现图像处理方法。
[0007]本说明书一个或多个实施例提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行图像处理方法。
附图说明
[0008]本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
[0009]图1是根据本说明书一些实施例所示的图像处理系统的应用场景示意图；
[0010]图2是根据本说明书一些实施例所示的图像处理系统的示例性模块图；
[0011]图3是根据本说明书一些实施例所示的图像处理方法的示例性流程图；
[0012]图4是根据本说明书一些实施例所示的利用降噪模型生成多幅降噪图像的示意
图；
[0013]图5是根据本说明书一些实施例所示的噪声等级图像的示例性示意图；
[0014]图6是根据本说明书一些实施例所示的训练降噪模型的过程的示例性示意图。
具体实施方式
[0015]为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
[0016]应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
[0017]如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
[0018]本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
[0019]图1是根据本说明书一些实施例所示的图像处理系统的应用场景示意图。
[0020]在一些实施例中，如图1所示，图像处理系统100可以包括成像设备110、处理设备120、终端设备130、网络140和存储设备150。图像处理系统100的组件可以以一种或多种方式连接。仅作为示例，如图1所示，成像设备110可以通过网络140连接到处理设备120。又例如，成像设备110可以直接连接到处理设备120(如连接成像设备110和处理设备120的虚线双向箭头所示)。作为进一步的示例，存储设备150可以直接或通过网络140连接到处理设备120。作为进一步的示例，终端设备130可以直接(如连接终端设备130和处理设备120的虚线双向箭头所示)和/或通过网络140与处理设备120连接。
[0021]成像设备110可以获取扫描对象的待处理图像。在一些实施例中，扫描对象可以包括但不限于人体、器官、机体、损伤部位、肿瘤、物体、模体等。在一些实施例中，成像设备110可以包括但不限于磁共振成像(MRI)设备(也称为MR扫描仪)、计算机断层扫描(CT)设备、超声扫描仪、数字射线照相(DR)扫描仪、数字减影血管造影(DSA)、正电子发射断层摄影(PET)设备、单光子发射计算机断层摄影(SPECT)设备等，或其任意组合。
[0022]处理设备120可以处理从成像设备110、终端设备130和/或存储设备150获取的数据和/或信息。例如，处理设备120可以从成像设备获取待处理图像。又例如，处理设备120可以利用降噪模型，基于获取的待处理图像生成多幅不同降噪程度的降噪图像。再例如，处理设备120可以基于样本图像和金标准图像，训练初始降噪模型，以获取降噪模型。在一些实施例中，处理设备120可以包括中央处理单元(CPU)、数字信号处理器(DSP)、片上系统
(SoC)、微控制器单元(MCU)等和/或其任意组合。在一些实施例中，处理设备120可以包括计算机、用户控制台、单个服务器或服务器组等。服务器组可以是集中式或分布式的。在一些实施例中，处理设备120可以是本地的或远程的。例如，处理设备120可以经由网络140访问存储在成像设备110、终端设备130和/或存储设备150中的信息和/或数据。又例如，处理设备120可以直接连接成像设备110、终端设备130和/或存储设备150访问存储的信息和/或数据。在一些实施例中，处理设备120可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布式云等，或其任意组合。在一些实施例中，处理设备120或处理设备120的一部分可以集成到成像设备110中。
[0023]终端设备130可以实现用户和图像处理系统100之间的互动。例如，终端设备本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：获取待处理图像和多幅噪声等级图像，所述多幅噪声等级图像对应多种降噪程度；利用降噪模型，基于所述待处理图像和所述多幅噪声等级图像，确定所述多种降噪程度对应的多幅降噪图像；所述降噪模型为机器学习模型，包括基础层和多个处理层，所述基础层基于所述待处理图像生成基础图，所述多个处理层包括多个目标处理层，每个所述目标处理层基于所述基础图和所述多幅噪声等级图像中的一幅生成所述多幅降噪图像中的一幅降噪图像。2.如权利要求1所述的方法，其特征在于，所述利用降噪模型，基于待处理图像和所述多幅噪声等级图像，确定所述多种程度对应的降噪图像，包括：利用所述基础层处理所述待处理图像，生成所述基础图；将所述基础图和所述多幅噪声等级图像中的每幅降噪等级图像进行拼接，获取多幅拼接图像；以及利用所述多个目标处理层处理所述多幅拼接图像，确定所述多幅降噪图像。3.如权利要求1所述的方法，其特征在于，还包括：获取所述多个处理层对应的降噪参数和所述多种降噪程度；基于所述降噪参数和所述多种降噪程度从所述多个处理层中确定所述多个用于生成所述多幅降噪图像的所述多个目标处理层。4.如权利要求1所述的方法，其特征在于，所述降噪模型的参数通过训练确定，所述训练的损失函数包括对应于所述多个处理层的多个损失项；至少一个所述损失项包括间接损失项，所述间接损失项反映模型输出图像和金标准图像之间的特征差异。5.如权利要求4所述的方法，其特征在于，...

【专利技术属性】
技术研发人员：刘奥文，廖术，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：