本发明专利技术涉及智能医疗领域的图像处理技术，揭露了一种图像处理方法，包括：根据终端发送的图像处理指令获取基于医学影像生成的第一热力图，对第一热力图进行闭运算处理得到第二热力图；通过第一归一化算法对对第二热力图进行处理得到第一矩阵；通过二阶范数和预设阈值对第二热力图进行处理得到第二矩阵；通过第二归一化算法对第二热力图进行处理得到第三矩阵；通过综合计算算法对第一矩阵、第二矩阵、第三矩阵进行计算，根据计算结果生成第三热力图并返回终端。本发明专利技术通过对热力图进行进一步的图像处理，在保留原热力图的积极区域特征的同时减弱消极区域特征，生成识别效果更好的热力图，进一步提升了热力图对应的医疗图像进行图像分析的准确度。像分析的准确度。像分析的准确度。
【技术实现步骤摘要】
图像处理方法、装置、电子设备及存储介质
[0001]本专利技术涉及图像处理
，尤其涉及一种图像处理方法、装置、电子设备及计算机可读存储介质。
技术介绍
[0002]随着医疗信息化和数字化诊断的发展，深入学习在医疗领域的应用也越来越多，但深度学习带来的问题也接踵而至。现有技术采用可解释性网络解决医学图像领域的深度学习信任危机时，更关注于如何实现可解释性，即生成一张符合人类识别图片思维模式的热力图，标识神经网络的主要关注区域。
[0003]由于现有的深度学习模型中的主要参数和结构都不能直接解释模型，以最常见的医学图像为例，在医学领域，医生和病人需要的是准确的、有依据的图像分析，而深度学习在计算机视觉领域大部分应用本身就是一个“黑盒子”，现有技术通常更关注于它的表现，而忽略了它背后的内在，即深度学习是怎样实现的，带来了深度学习的信任危机。因此，在通过热力图实现图像的可解释性之后，如何对可解释性热力图进行进一步处理以提升医学图像分析的准确性成为待解决的问题。
技术实现思路
[0004]本专利技术提供一种图像处理方法、装置及计算机可读存储介质，其主要目的在于对可解释性网络生成的热力图进行进一步处理以提升医学图像分析的准确性。
[0005]为实现上述目的，本专利技术提供的一种图像处理方法，所述方法包括：
[0006]接收终端发送的图像处理指令，根据所述图像处理指令获取基于医学影像生成的第一热力图，对所述第一热力图进行闭运算处理得到第二热力图，对所述第二热力图的像素点通过第一归一化算法进行处理，得到第一矩阵；
[0007]通过二阶范数对所述第二热力图的像素点进行处理得到对应的像素行范数值，通过所述像素行范数值和预设阈值计算所述第二热力图的像素点的像素值，得到第二矩阵；
[0008]对所述第二热力图的像素点通过第二归一化算法进行处理，得到第三矩阵；
[0009]通过综合计算算法对所述第一矩阵、所述第二矩阵、所述第三矩阵进行处理，得到综合矩阵，将所述综合矩阵转换为第三热力图，将所述第三热力图返回至所述终端进行图像分析。
[0010]可选地，所述对所述第一热力图进行闭运算处理得到第二热力图，包括：
[0011]对所述第一热力图进行膨胀、腐蚀处理，连接所述第一热力图中的临近物体后进行平滑边界，得到第二热力图。
[0012]可选地，所述对所述第二热力图的像素点通过第一归一化算法进行处理，得到第一矩阵，包括：
[0013]提取所述第二热力图的像素点；
[0014]通过Softmax归一化算法对所述第二热力图的像素点进行处理，得到尺寸不变且
数据值在预设数值区间的第一矩阵。
[0015]可选地，所述Softmax归一化算法的公式为：
[0016][0017]其中，x
i
代表第i个像素点的值，x
j
代表第j像素点的值，j为代表所述第二热力图的像素点数量的参数，exp代表以自然常数e为底的指数函数。
[0018]可选地，所述通过二阶范数对所述第二热力图的像素点进行处理得到对应的像素行范数值，通过所述像素行范数值和预设阈值计算所述第二热力图的像素点的像素值，得到第二矩阵，包括：
[0019]提取所述第二热力图的像素点；
[0020]通过二阶范数对所述第二热力图的像素点进行逐行计算，得到所述第二热力图中各个像素点的范数值；
[0021]设置预设阈值，判断每个像素点的范数值是否小于预设阈值，将范数值小于预设阈值的像素行对应的像素点的值置零，得到第二矩阵。
[0022]可选地，所述对所述第二热力图的像素点通过第二归一化算法进行处理，得到第三矩阵，包括：
[0023]将所述第二热力图的像素点的值除以255，得到像素点的值处于预设数值区间的第三矩阵。
[0024]可选地，所述综合计算算法为加权求和算法，其公式为：
[0025]R＝0.2*R1+0.3*R2+0.5*R3
[0026]其中，R1为所述第一矩阵，R2为所述第二矩阵，R3为所述第三矩阵。
[0027]为了解决上述问题，本专利技术还提供一种图像处理装置，所述装置包括：
[0028]第一矩阵生成模块，用于接收终端发送的图像处理指令，根据所述图像处理指令获取基于医学影像生成的第一热力图，对所述第一热力图进行闭运算处理得到第二热力图，对所述第二热力图的像素点通过第一归一化算法进行处理，得到第一矩阵；
[0029]第二矩阵生成模块，用于通过二阶范数对所述第二热力图的像素点进行处理得到对应的像素行范数值，通过所述像素行范数值和预设阈值计算所述第二热力图的像素点的像素值，得到第二矩阵；
[0030]第三矩阵生成模块，用于对所述第二热力图的像素点通过第二归一化算法进行处理，得到第三矩阵；
[0031]数据融合模块，用于通过综合计算算法对所述第一矩阵、所述第二矩阵、所述第三矩阵进行处理，得到综合矩阵，将所述综合矩阵转换为第三热力图，将所述第三热力图返回至所述终端进行图像分析。
[0032]为了解决上述问题，本专利技术还提供一种电子设备，所述电子设备包括：
[0033]至少一个处理器；以及，
[0034]与所述至少一个处理器通信连接的存储器；其中，
[0035]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的图像处理方法。
[0036]为了解决上述问题，本专利技术还提供一种计算机可读存储介质，所述计算机可读存
储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的图像处理方法。
[0037]本专利技术实施例通过对可解释性网络生成的热力图进行进一步的图像处理，在保留原热力图的积极区域特征的同时减弱消极区域特征，生成具备更好的识别效果的热力图，进一步提升了热力图的表示效果，从而提升了热力图对应的医疗图像进行图像分析的准确度。
附图说明
[0038]图1为本专利技术图像处理方法一实施例的流程图；
[0039]图2为本专利技术电子设备一实施例的示意图；
[0040]图3为本专利技术图像处理装置一实施例的示意图。
[0041]本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0042]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0043]需要说明的是，在本专利技术中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特本文档来自技高网...
【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，所述方法包括：接收终端发送的图像处理指令，根据所述图像处理指令获取基于医学影像生成的第一热力图，对所述第一热力图进行闭运算处理得到第二热力图，对所述第二热力图的像素点通过第一归一化算法进行处理，得到第一矩阵；通过二阶范数对所述第二热力图的像素点进行处理得到对应的像素行范数值，通过所述像素行范数值和预设阈值计算所述第二热力图的像素点的像素值，得到第二矩阵；对所述第二热力图的像素点通过第二归一化算法进行处理，得到第三矩阵；通过综合计算算法对所述第一矩阵、所述第二矩阵、所述第三矩阵进行计算，得到综合矩阵，将所述综合矩阵转换为第三热力图，将所述第三热力图返回至所述终端进行图像分析。2.如权利要求1所述的图像处理方法，其特征在于，所述对所述第一热力图进行闭运算处理得到第二热力图，包括：对所述第一热力图进行膨胀、腐蚀处理，连接所述第一热力图中的临近物体后进行平滑边界，得到第二热力图。3.如权利要求1所述的图像处理方法，其特征在于，所述对所述第二热力图的像素点通过第一归一化算法进行处理，得到第一矩阵，包括：提取所述第二热力图的像素点；通过Softmax归一化算法对所述第二热力图的像素点进行处理，得到尺寸不变且数据值在预设数值区间的第一矩阵。4.如权利要求3所述的图像处理方法，其特征在于，所述Softmax归一化算法的公式为：其中，x
i
代表所述第二热力图中的第i个像素点的值，x
j
代表所述第二热力图中的第j像素点的值，exp代表以自然常数e为底的指数函数。5.如权利要求1所述的图像处理方法，其特征在于，所述通过二阶范数对所述第二热力图的像素点进行处理得到对应的像素行范数值，通过所述像素行范数值和预设阈值计算所述第二热力图的像素点的像素值，得到第二矩阵，包括：提取所述第二热力图的像素点；通过二阶范数对所述第二热力图的像素点进行逐行计算，得到所述第二热力图中各个像素点的范...
【专利技术属性】
技术研发人员：郑喜民，高见，舒畅，陈又新，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：
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。