图像处理方法、电子装置及存储介质制造方法及图纸

本发明专利技术提供一种图像处理方法，该方法包括：对第一图片进行处理得到第一矩阵；对所述第一图片进行高斯模糊处理，得到第一降噪图片；基于所述第一矩阵和预设阈值将所述第一图片与所述第一降噪图片融合生成第二图片；将所述第二图片进行处理得到第二矩阵；对所述第二图片进行高斯模糊处理，得到第二降噪图片；基于所述第二矩阵和所述预设阈值将所述第二图片与所述第二降噪图片融合生成第三图片。本发明专利技术可以应用于医疗图像分类中，基于可解释性神经网络得到的热力图进行处理，能有效地将原始输入图片的消极与积极区域划分，重点保留积极区域，减少神经网络受消极区域特征的影响，以此提升模型准确率和信任性。此提升模型准确率和信任性。此提升模型准确率和信任性。

【技术实现步骤摘要】
图像处理方法、电子装置及存储介质


[0001]本专利技术涉及图像处理领域，尤其涉及一种图像处理方法、电子装置及存储介质。

技术介绍

[0002]近年来，深度学习在医学领域愈发火热。特别是图像领域中的经典的图像分类任务，已经在医学领域普遍应用，例如用图像分类网络去判断X光片中肺部图片是否出现病变等辅助医生诊断的实际性应用。但利用深度学习进行图像分类时，会出现准确率与信任性问题，如对医学图像中某一部位的病变进行分类时，该图像中其它部位可能对图像分类造成干扰，即可能因为图像分类的消极区域影响到图像分类的准确率，且因为人们没有得到对于神经网络直观的解释，所以对于神经网络用于图像分类得到的结果信任性不足。
[0003]因此，针对深度学习的“信任”危机，需要提供一种对待分类图像进行处理以降低消极区域对图像法分类的影响，从而提高医疗图像分类的准确率和信任性的方法。

技术实现思路

[0004]鉴于以上原因，有必要提供一种图像处理方法、电子装置及存储介质，使得图像分类结果在用于图像处理的神经网络可解释的前提下，能够达到更高的准确率，同时解本文档来自技高网...

【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，该方法包括：S1、获取第一图片，基于预设的神经网络处理所述第一图片得到第一热力图；使用预设程序对所述第一热力图进行闭运算操作得到第一闭运算热力图；S2、通过对所述第一闭运算热力图进行处理后得到第一矩阵；对所述第一图片进行高斯模糊处理，得到第一降噪图片；基于所述第一矩阵和预设阈值将所述第一图片与所述第一降噪图片融合生成第二图片；S3、对所述第二图片进行如步骤S1和S2对所述第一图片的处理，得到第三图片。2.如权利要求1所述的图像处理方法，其特征在于，所述的通过对所述第一闭运算热力图进行处理后得到第一矩阵，包括：对所述第一闭运算热力图提取红色通道的像素点值；利用Python的预设程序对所述红色通道像素点值进行归一化计算；对归一化计算得到的数据按行进行Softmax处理得到新的与所述第一闭运算热力图尺寸不变的第一矩阵。3.如权利要求2所述的通过对所述第一闭运算热力图进行处理后得到第一矩阵，其特征在于，所述利用Python的预设程序对所述红色通道像素点值进行归一化计算，包括：对提取到的所述红色通道像素点值除以最大值255，以小数形式归一化到[0,1]的范围。4.如权利要求2所述的通过对所述第一闭运算热力图进行处理后得到第一矩阵，其特征在于，所述对归一化计算得到的数据按行进行Softmax处理得到新的与所述第一闭运算热力图尺寸不变的第一矩阵中，其中：x为像素点的值，exp表示以自然常数e为底的指数函数，i为矩阵中红色通道像素值的排列序号，j为矩阵内红色通道像素值的总个数。5.如权利要求1所述的图像处理方法，其特征在于，所述的对所述第一图片进行高斯模糊处理，包括：对所述第一图片与二维高斯分布的概率密度函数做卷积计算，计算公式如下：其中，(x,y)表示二维图像像素点的坐标，g(x,y)表示该像素被处理完后的像素值，r表示卷积核半径，s(x,y)表示该像素点原来的像素值，f(u，v)函数通常也称作滤波函数。6.如权利要求5所述的对所述第一图片进行高斯模糊处理，其特征在于，所述滤波函数为二维高...

【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：