【技术实现步骤摘要】
本专利技术涉及图像质量增强，具体地，涉及一种基于条件扩散模型的眼底图像质量增强方法及系统。
技术介绍
1、眼底图像是利用眼底照相机采集到眼底视网膜的图像，利用眼底图像诊断眼底疾病是最常见的眼底临床诊断方式。然而，临床上获取的眼底图像质量常常存在质量太差不可读的问题。临床上获取视网膜图片质量不易的原因是设备能力有限，眼科医生经验差异以及病人眼睛移动等，这些问题都会严重影响临床诊断的准确性和及时性。因此，眼底图像质量增强方法是一个很好的补充，能够提升眼底图像质量并且提高眼底图像的可读性。
2、现有的图像质量增强方法有两类方法，一种是合成图像对方法，另外一种是采用无监督配对模型进行图像增强。合成图像对方法利用降低高质量眼底图像合成低质量眼底图像。然而，这两种方法都存在局限性。一方面，由于合成眼底图像与真实眼底图像之间的数据领域偏移，基于合成图像对训练的模型在泛化到真实临床眼底图像方面的能力有限。另一方面，使用无监督配对训练的模型主要转换图像风格，而不能很好地保留眼底结构的局部细节。故此，亟需一种高质量眼底图像增强方法，提升眼底图像增强的鲁棒性。
技术实现思路
1、针对现有技术中的缺陷，本专利技术提供一种基于条件扩散模型的眼底图像质量增强方法及系统。
2、根据本专利技术提供的一种基于条件扩散模型的眼底图像质量增强方法及系统，所述方案如下：
3、第一方面，提供了一种基于条件扩散模型的眼底图像质量增强方法，所述方法包括：
4、步骤s1：通过图像采
5、步骤s2：通过图像预处理单元，对原始眼底图像进行预处理，裁剪原始眼底图像的黑边，保留视网膜内的眼底图像；
6、步骤s3：在粗粒度增强单元中，构建粗粒度增强模型，并输入预处理后的眼底图像，得到预处理图像的粗粒度增强图像，实现低质量眼底图像到高质量眼底图像的生成；
7、步骤s4：在高斯噪声增加单元中，通过对粗粒度增强图像增加噪声，得到纯噪声图像；
8、步骤s5：通过去噪单元，将纯噪声图像输入到构建的扩散模型的去噪模型中，通过前向扩散过程增加噪声，逆向过程去除噪声；去噪模型恢复受损的预处理图像，得到最终的增强图像。
9、优选地，所述步骤s4中增加噪声的过程是通过高斯加噪器和扰动机制完成的；其中，通过高斯噪声增加器采用马尔可夫过程逐步增加随机高斯噪声到粗粒度增强图像上，直到粗粒度增强图像变为纯噪声图像。
10、优选地，所述步骤s5包括：设原始眼底图像x0及对应的分布q(x0)，前向扩散过程是根据分布q(x0)给出一系列的样本所述样本被高斯噪声污染，该过程用公式表示为：
11、
12、其中，[β1,…,β1]代表预定义的权重或者是高斯噪声采用的方差策略；表示高斯分布；i为单位矩阵；从q(x0)中采样的过程在t时刻定义为
13、
14、其中，
15、优选地，所述步骤s5中，扩散模型的目标是学习逆向过程p(x0∣xt)，去噪过程通过以下等式近似：
16、
17、其中，θ是可学习的参数；μθ表示参数为θ的逆向过程均值；
18、逆向过程实际上是去除受损的图像的噪声，表示为：
19、
20、其中，∈θ表示噪声估计网络；利用重参数化技术，将公式(2)转变为其中
21、优选地，实现低质量眼底图像到高质量眼底图像的生成，目标损失函数为：
22、
23、其中，x是低质量眼底图像，y是其对应的高质量眼底图像。
24、第二方面，提供了一种基于条件扩散模型的眼底图像质量增强系统，所述系统包括：
25、图像采集单元：获取原始眼底图像；
26、图像预处理单元：对原始眼底图像进行预处理，裁剪原始眼底图像的黑边，保留视网膜内的眼底图像；
27、粗粒度增强单元：构建粗粒度增强模型，并输入预处理后的眼底图像，得到预处理图像的粗粒度增强图像，实现低质量眼底图像到高质量眼底图像的生成；
28、高斯噪声增加单元：通过对粗粒度增强图像增加噪声，得到纯噪声图像；
29、去噪单元：将纯噪声图像输入到构建的扩散模型的去噪模型中，通过前向扩散过程增加噪声，逆向过程去除噪声；去噪模型最终恢复受损的预处理图像，得到最终的增强图像。
30、优选地，所述高斯噪声增加单元中增加噪声的过程是通过高斯加噪器和扰动机制完成的；其中，通过高斯噪声增加器采用马尔可夫过程逐步增加随机高斯噪声到粗粒度增强图像上，直到粗粒度增强图像变为纯噪声图像。
31、优选地，所述去噪单元包括：设原始眼底图像x0及对应的分布q(x0)，前向扩散过程是根据分布q(x0)给出一系列的样本所述样本被高斯噪声污染，该过程用公式表示为：
32、
33、其中，[β1,…,βt]代表预定义的权重或者是高斯噪声采用的方差策略；表示高斯分布；i为单位矩阵；从q(x0)中采样的过程在t时刻定义为
34、
35、其中，
36、所述去噪单元中，扩散模型的目标是学习逆向过程p(x0∣xt)，去噪过程通过以下等式近似：
37、
38、其中，θ是可学习的参数；μθ表示参数为θ的逆向过程均值；
39、逆向过程实际上是去除受损的图像的噪声，表示为：
40、
41、其中，∈θ表示噪声估计网络；利用重参数化技术，将公式(2)转变为其中
42、实现低质量眼底图像到高质量眼底图像的生成，目标损失函数为：
43、
44、其中，x是低质量眼底图像，y是其对应的高质量眼底图像。
45、第三方面，提供了一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现所述基于条件扩散模型的眼底图像质量增强方法中的步骤。
46、第四方面，提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被处理器执行时实现所述基于条件扩散模型的眼底图像质量增强方法中的步骤。
47、与现有技术相比，本专利技术具有如下的有益效果：
48、本专利技术利用粗粒度增强最大程度的保留眼底图像的结构信息，利用细粒度增强实现了高质量的眼底图像生成，避免了现有增强方法采用单一策略增强过多的破坏眼底图像结构的问题。
49、本专利技术的其他有益效果，将在具体实施方式中通过具体技术特征和技术方案的介绍来阐述，本领域技术人员通过这些技术特征和技术方案的介绍，应能理解所述技术特征和技术方案带来的有益技术效果。
本文档来自技高网...【技术保护点】
1.一种基于条件扩散模型的眼底图像质量增强方法，其特征在于，包括：
2.根据权利要求1所述的基于条件扩散模型的眼底图像质量增强方法，其特征在于，所述步骤S4中增加噪声的过程是通过高斯加噪器和扰动机制完成的；其中，通过高斯噪声增加器采用马尔可夫过程逐步增加随机高斯噪声到粗粒度增强图像上，直到粗粒度增强图像变为纯噪声图像。
3.根据权利要求1所述的基于条件扩散模型的眼底图像质量增强方法，其特征在于，所述步骤S5包括：设原始眼底图像x0及对应的分布q(x0)，前向扩散过程是根据分布q(x0)给出一系列的样本所述样本被高斯噪声污染，该过程用公式表示为：
4.根据权利要求3所述的基于条件扩散模型的眼底图像质量增强方法，其特征在于，所述步骤S5中，扩散模型的目标是学习逆向过程p(x0∣xT)，去噪过程通过以下等式近似：
5.根据权利要求1所述的基于条件扩散模型的眼底图像质量增强方法，其特征在于，实现低质量眼底图像到高质量眼底图像的生成，目标损失函数为：
6.一种基于条件扩散模型的眼底图像质量增强系统，其特征在于，包括：
8.根据权利要求6所述的基于条件扩散模型的眼底图像质量增强系统，其特征在于，所述去噪单元包括：设原始眼底图像x0及对应的分布q(x0)，前向扩散过程是根据分布q(x0)给出一系列的样本所述样本被高斯噪声污染，该过程用公式表示为：
9.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述基于条件扩散模型的眼底图像质量增强方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述基于条件扩散模型的眼底图像质量增强方法中的步骤。
...【技术特征摘要】
1.一种基于条件扩散模型的眼底图像质量增强方法，其特征在于，包括：
2.根据权利要求1所述的基于条件扩散模型的眼底图像质量增强方法，其特征在于，所述步骤s4中增加噪声的过程是通过高斯加噪器和扰动机制完成的；其中，通过高斯噪声增加器采用马尔可夫过程逐步增加随机高斯噪声到粗粒度增强图像上，直到粗粒度增强图像变为纯噪声图像。
3.根据权利要求1所述的基于条件扩散模型的眼底图像质量增强方法，其特征在于，所述步骤s5包括：设原始眼底图像x0及对应的分布q(x0)，前向扩散过程是根据分布q(x0)给出一系列的样本所述样本被高斯噪声污染，该过程用公式表示为：
4.根据权利要求3所述的基于条件扩散模型的眼底图像质量增强方法，其特征在于，所述步骤s5中，扩散模型的目标是学习逆向过程p(x0∣xt)，去噪过程通过以下等式近似：
5.根据权利要求1所述的基于条件扩散模型的眼底图像质量增强方法，其特征在于，实现低质量眼底图像到高质量眼底图像的生成，目标损失函数为：
6.一种基于条件扩散模型的眼底图像质...
【专利技术属性】
技术研发人员：胡敬玉，蒋昌龙，
申请(专利权)人：上海体素信息科技有限公司，
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。