基于深度学习的2CMOS相机的去噪增强系统及方法技术方案

本发明专利技术公开了基于深度学习的2CMOS相机的去噪增强系统及方法，属于去噪增强技术领域，其具体包括：利用2CMOS相机采集患者心脏部位的含噪图像，并对心脏部位的图像进行预处理，利用神经网络模型对心脏部位的图像进行去噪处理，将去噪心脏部位的图像的RGB颜色空间转换为HSV空间，对心脏部位的图像进行增强处理，将增强后的去噪心脏部位的图像进行重组，去噪时考虑到CMOS相机噪声、心电波噪声和心脏颤动噪声，有效解决以往去噪算法需要合成噪声、进行噪声估计、噪声去除不干净的问题，使得去噪效果更加精确和稳定，并且通过图像增强，同时保持了图像细节的完整性和准确性。保持了图像细节的完整性和准确性。保持了图像细节的完整性和准确性。

【技术实现步骤摘要】
基于深度学习的2CMOS相机的去噪增强系统及方法


[0001]本专利技术属于去噪增强
，具体的说是基于深度学习的2CMOS相机的去噪增强系统及方法。

技术介绍

[0002]传统的图像去噪方法往往会在消除噪声的同时也会损失部分图像细节，特别是在低光照或高噪声环境下的相机拍摄的图像中，这种情况更加明显。此外，对于不同种类的噪声，如高斯噪声、胡椒噪声等，传统的方法也往往需要特定的参数设置和处理流程，难以通用化处理各类噪声。另外，对于高分辨率的图像处理，传统的方法也会面临计算量过大、运行速度慢等问题。
[0003]近年来，对于图像去噪的研究有很多，但以往研究通常将去噪问题简化为原始清晰图像加上加性的噪声两个部分，通过在被噪声污染的图像上减去加性噪声实现去噪。而CMOS传感器获得图像噪声成分不仅和电路以及相机管道有关，也和患者心脏环境、光照也有关联，心脏的跳动会产生心电波噪声和颤动噪声，并且随着光照的降低，噪声会越来越明显，噪声成分更为复杂，单一的去噪算法不能完全满足低光CMOS相机的去噪需求。
[0004]如申请公开号为CN113本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的2CMOS相机的去噪增强方法，其特征在于，包括：步骤S1：利用2CMOS相机采集患者心脏部位的含噪图像，并对心脏部位的图像进行预处理；步骤S2：利用神经网络模型对心脏部位的图像进行去噪处理；步骤S3：将去噪心脏部位的图像的RGB颜色空间转换为HSV空间，对心脏部位的图像进行增强处理；步骤S4：将增强后的去噪心脏部位的图像进行重组。2.如权利要求1所述的基于深度学习的2CMOS相机的去噪增强方法，其特征在于，所述步骤S1中所述的预处理包括：归一化处理和灰度化，灰度化处理公式为：，表示灰度化后的患者心脏部位的含噪图像，G表示患者心脏部位的含噪图像绿色通道的数值，R表示患者心脏部位的含噪图像红色通道的数值，B表示患者心脏部位的含噪图像蓝色通道的数值，归一化处理公式为：，表示归一化后的患者心脏部位的含噪灰度图像。3.如权利要求2所述的基于深度学习的2CMOS相机的去噪增强方法，其特征在于，所述步骤S1中含噪图像的噪声包括：CMOS相机噪声、心电波噪声和心脏颤动噪声。4.如权利要求3所述的基于深度学习的2CMOS相机的去噪增强方法，其特征在于，所述步骤S2的具体步骤为：步骤S201：设定预处理后的患者心脏部位的含噪图像为和；步骤S202：预处理后的患者心脏部位的含噪图像和作为训练好的神经网络模型的输入，获得去噪后的患者心脏部位的图像和。5.如权利要求4所述的基于深度学习的2CMOS相机的去噪增强方法，其特征在于，所述步骤S202中神经网络模型的训练方式为：步骤S2021：使用清晰的心脏部位图像和含噪的心脏部位图像，作为所述神经网络模型的输入；步骤S2022：设置卷积滤波器的大小为3*3，将CMOS相机噪声水平设置为，将心电波噪声水平设置为，并将心脏颤动噪声水平设置为，将神经网络深度设置为20，选择损失函数对清晰的心脏部位图像进行训练；步骤S2023：将含噪的心脏部位图像输入神经网络模型中进行去噪和评价，去噪效果的评价值P计算公式为：
，其中，表示清晰图像坐标为的灰度值，M表示图像和的宽度像素值，N表示图像和的长度像素值，对神经网络模型进行训练，直至去噪效果的评价值收敛不变时，停止训练；所述神经网络模型为卷积神经网络中的任意一种。6.如权利要求5所述的基于深度学习的2CMOS相机的去噪增强方法，其特征在于，所述步骤S2022中的损失函数为：，其中，E表示输入的清晰的心脏部位图像数量，表示第k个清晰的心脏部位图像中坐标为预测的灰度值，表示第k个清晰的心脏部位图像中坐标为的原灰度值。7.如权利要求6所述的基于深度学习的2CMOS相机的去噪增强方法，其特征在于...

【专利技术属性】
技术研发人员：蔡惠明，李长流，朱淳，潘洁，胡学山，卢露，倪轲娜，王玉叶，张岩，陈平，
申请(专利权)人：南京诺源医疗器械有限公司，
类型：发明
国别省市：