CN109118472A - 一种自适应尺度分解的眼底图像血管随机共振检测方法 - Google Patents
一种自适应尺度分解的眼底图像血管随机共振检测方法 Download PDFInfo
- Publication number
- CN109118472A CN109118472A CN201810715955.3A CN201810715955A CN109118472A CN 109118472 A CN109118472 A CN 109118472A CN 201810715955 A CN201810715955 A CN 201810715955A CN 109118472 A CN109118472 A CN 109118472A
- Authority
- CN
- China
- Prior art keywords
- eye fundus
- image
- blood vessel
- low pass
- fundus image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 230000004044 response Effects 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000010586 diagram Methods 0.000 claims description 11
- 239000002131 composite material Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 abstract description 14
- 238000005070 sampling Methods 0.000 abstract description 10
- 238000009774 resonance method Methods 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 abstract 1
- 230000002792 vascular Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000012952 Resampling Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- PXUQTDZNOHRWLI-OXUVVOBNSA-O malvidin 3-O-beta-D-glucoside Chemical compound COC1=C(O)C(OC)=CC(C=2C(=CC=3C(O)=CC(O)=CC=3[O+]=2)O[C@H]2[C@@H]([C@@H](O)[C@H](O)[C@@H](CO)O2)O)=C1 PXUQTDZNOHRWLI-OXUVVOBNSA-O 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明涉及一种自适应尺度分解的眼底图像血管随机共振检测方法。本发明对眼底图像进行非下采样轮廓波变换，然后对高频子带图像进行最优随机共振调制，以实现对低对比度血管的检测；并根据最优随机共振响应所对应的峰值信噪比指标，来自适应控制非下采样轮廓波变换的分解尺度；分别基于区域能量加权平均规则和基于峰值信噪比数值的加权方法，对不同尺度下获得的低通子带图像以及最优随机共振响应进行融合；最后对融合结果进行非下采样轮廓波逆变换重构，并利用二值化阈值处理得到血管检测结果图。本发明改变了传统随机共振方法对整幅空域图像进行全局优化的伪最优思路，提出的自适应尺度分解方法适用于眼底图像多对比度血管的检测场景。
Description
技术领域
本发明属于数字图像处理领域，主要涉及一种自适应尺度分解的眼底图像血管随机共振检测方法。
背景技术
眼底图像血管的自动检测，将有助于改善眼部疾病临床辅助诊断的效率和准确率。传统分割方法将噪声视为干扰信号，试图通过抑制噪声的手段来实现图像的分割，但在噪声处理的过程中，不可避免的会影响到低对比度弱信号的检测，因此它们不适合类似眼底图像血管自动检测的应用场景。目前随机共振方法成为了弱信号检测的研究热点，它认为噪声的存在对弱信号的检测是有利的，因为随机共振方法可以实现噪声能量向有用弱信号能量的转移，从而能够改善眼底视网膜微弱边缘血管的检测。但目前的随机共振方法，大多是对整幅图像进行一种空间上的操作，而由于眼底图像中的血管呈现出多对比度分布特性，因此所获得的结果只能是一种全局意义上的最优随机共振响应。
发明内容
本发明利用非下采样轮廓波变换(NSCT)对源图像进行尺度分解，分解为高频子带图像和低通子带图像，其中低通子带图像主要反映了源图像的整体轮廓，高频子带图像则携带了源图像的细节信息。具体对于眼底视网膜血管图像，低通子带图像主要体现高对比度血管信号的特性，而高频子带图像中主要包含低对比度微细血管信号和噪声信号。为了实现低对比度微细血管的有效检测，本发明对分解得到的高频子带图像进行最优随机共振调制，并通过非下采样轮廓波变换分解尺度的自适应控制，从而改善对微细血管的检测性能。最后对不同尺度下获得的低通子带图像以及最优随机共振响应进行融合，并通过非下采样轮廓波逆变换重构得到眼底图像血管的检测结果。
本发明包括以下步骤：
步骤1：对眼底图像进行第1级NSCT变换，得到1个低通子带图像和8个方向的高频分量子带图像。
步骤2：基于能量最大规则，对步骤1中得到的8个方向的高频分量子带图像进行融合，将融合后的子带合成图作为Duffing随机共振模型的输入信号，并且以峰值信噪比为评价指标调节Duffing随机共振模型中的附加内噪声强度，得到峰值信噪比下的最优随机共振响应。
步骤3：根据步骤2中最优随机共振响应时所对应的峰值信噪比指标，若其高于设定的最低标准值T，则对步骤1得到的低通子带图像继续进行下一级的NSCT变换，此时将得到新尺度下的1个低通子带图像和8个方向的高频分量子带图像。
步骤4：重复执行步骤2和3，直到峰值信噪比指标低于设定的最低标准值T，假设此时进行了第n级NSCT变换，则结果包括不同尺度下的n个低通子带图像以及n个最优随机共振响应。
步骤5：基于区域能量加权平均规则，对步骤4得到的n个低通子带图像进行融合；同时基于峰值信噪比数值的加权方法，对步骤4得到的n个最优随机共振响应进行加权融合。
步骤6：对步骤5得到的融合结果进行NSCT逆变换重构，并通过二值化阈值处理后得到最终的眼底图像血管检测结果。
本发明具有的特点为：本发明对眼底图像进行非下采样轮廓波变换，由于分解得到的高频子带图像主要反映了眼底图像低对比度血管分布的边缘信息，因此对高频子带图像进行针对性的最优随机共振调制，改变了传统随机共振方法对整幅空域图像进行全局优化的伪最优思路，从而能更好地检测出眼底图像中的低对比度微细血管信号。本发明根据高频子带图像最优随机共振响应所对应的峰值信噪比指标，来自适应控制非下采样轮廓波变换的分解尺度；分别基于区域能量加权平均规则和基于峰值信噪比数值的加权方法，对不同尺度下获得的低通子带图像以及最优随机共振响应进行融合；最后对融合结果进行非下采样轮廓波逆变换重构，并利用二值化阈值处理得到血管检测结果图。本发明所提方法适用于眼底图像多对比度血管的检测场景。
附图说明
图1为三级分解滤波器组示意图；
图2为NSDFB八方向划分示意图；
图3为NSCT结构分解示意图；
图4为本发明专利的方法流程示意图。
具体实施方案
本发明一种自适应尺度分解的眼底图像血管随机共振检测方法，该方法具体包括以下步骤：
步骤1：将原始眼底图像记为源图像P，M和N表示源图像P的行列尺寸。对P进行第1级NSCT变换，得到1个低通子带图像和8个方向的高频分量子带图像。NSCT具有平移不变特性使得这些子带图像与源图像具有相同的尺寸大小M×N。
本发明中的NSCT变换首先进行非下采样金字塔分解(NSP)，通过双正交小波‘9-7’构建滤波器组得到一个低通滤波器L和高通滤波器H，设则滤波器L和H的矩阵构造分别由滤波器系数li,j和hi,j决定，取c＝3，滤波器L和H的矩阵形式分别如式(1)和(2)所示。
其中l0,0＝0.3245066567828517，l0,1＝l1,0＝0.1643662782633664，l0,2＝
l2,0＝-0.18830187186854155，l0,3＝l3,0＝-0.013629023704276572，
l1,1＝0.0740121520471188，l1,2＝l2,1＝-0.02131840020457929，
l2,2＝-0.01306636838062783，l1,3＝l3,1＝-0.007296122436400075，l2,3＝
l3,2＝0.001762583572331734，l3,3＝0.003080092825681339，
h0,0＝1.669154993235563，h0,1＝h1,0＝-0.24975066285895303，h0,2＝
h2,0＝-0.055805733503531366，h0,3＝h3,0＝0.028522425973203154，
h1,1＝-0.1692097602584649，
h1,2＝h2,1＝-0.022942609349085995，h2,2＝0.01351698519464063，h1,3＝
h3,1＝0.021391819479902367，h2,3＝h3,2＝0.008556727791960947，
h3,3＝0.0014261212986601578。
源图像P分别与低通滤波器L和高通滤波器H进行卷积运算，如式(3)和(4)所示，得到一个低通子带图像E1和一个高频分量图像F1。其中*为卷积符号，下同。
E1＝P*L (3)
F1＝P*H (4)
获得的高频分量图像F1可通过非下采样方向滤波器组(NSDFB)进行多方向分解，如式(5)所示。其中三级分解滤波器组进行方向分解的具体流程示意图如附图1所示，8个方向的选择示意图如附图2所示。采用梅花采样方向滤波器组，加入扇形垂直滤波器A和扇形水平滤波器B，对高频分量图像进行三级分解，可以得到8个方向的高频分量子带图像。其中·为矩阵相乘符号。
2级分解梅花采样矩阵定义为：
3级分解梅花采样矩阵定义为：
扇形滤波器矩阵定义为：
即对源图像P进行一次NSCT变换后得到1个低通子带图像E1和8个方向的高频分量子带图像F1,1～F1,8。
步骤2：基于能量最大规则，按式(9)对前述步骤得到的8个方向的高频分量子带图像进行融合，得到融合后的子带合成图F1max。
F1max(x,y)＝MAX(F1,j(x,y),j＝1,2,...8) (9)
其中F1,j(x，y)表示高频分量子带图像F1,j中(x，y)位置所对应的像素值，其中0<x≤M，0<y≤N，MAX为选取最大值的函数。
利用逐行扫描将F1max降维成一维信号，然后将其作为Duffing随机共振模型的输入信号，Duffing随机共振模型可以用式(10)所示的方程描述：
其中，k为阻尼比惯性系数；s(t)表示随机共振模型的输入，即为F1max降维所对应的一维信号；ξ(t)为附加内噪声，且满足：<ξ(t)>＝0，<ξ(t)ξ(t')>＝2Dδ(t-t')，D为噪声强度；v表示随机共振模型的输出信号。U(v)为如式(11)所示的势函数，其中参数a和b决定了***的势阱位置和势垒高度。参数设定如下：k＝1，a＝1，b＝1。
以峰值信噪比为评价指标调节Duffing随机共振模型中的附加内噪声强度，将输出信号v逐行重构回二维信号得到随机共振响应图像Y1，当Y1的峰值信噪比达到最大值时，表明此时的附加内噪声强度对应于最优随机共振响应。其中峰值信噪比PSNR的计算方式如式(12)和(13)所示：
步骤3：根据步骤2中最优随机共振响应时所对应的峰值信噪比指标，若指标高于最低标准值T，则将前述步骤中得到的低通子带图E1继续进行下一级的NSCT变换，此时将得到新尺度下的1个低通子带图像E2和8个方向的高频分量子带图像F2,1～F2,8。其中最低标准值T的设定，可根据源图像P的局部区域信噪比结果进行自适应调整，一般可随机选取源图像P的若干个局部区域并计算它们所对应的信噪比，比较获得最小的信噪比数值，最后将T设定为此数值的50％。
步骤4：重复执行步骤2和步骤3直到峰值信噪比指标低于设定的最低标准值T，则计算自动结束。假设此时进行了第n级NSCT变换，则结果包括不同尺度下的n个低通子带图像E1,E2,...En以及n个最优随机共振响应结果Y1,Y2,...Yn。
步骤5：对步骤4中得到的n个不同尺度的低通子带图像E1,E2,...En通过区域能量加权平均规则进行融合。图像En的区域能量ENn通过式(14)和(15)定义。
其中En(i,j)为En在(i，j)点的像素值，ENn(i,j)为En在(i，j)点处的能量，wdα,β为对应的窗口函数。考虑到低通子带图像的方向性和中心像素特点，选定α＝{-1,0,1}，β＝{-1,0,1}，设定窗口函数wdα,β如式(16)所示。
计算各个低通子带图像E1,E2,...En的区域能量EN1,EN2,...ENn，则低通子带图像Ei的权值为：
n个低通子带图像E1,E2,...En经过式(18)进行融合，得到低通子带融合图像E*。
基于峰值信噪比数值的加权方法对步骤4中得到的n个最优随机共振响应Y1,Y2,...Yn进行加权融合，则Yi的权值为：
其中PSNRi，i＝1,…n，表示第i次最优随机共振响应的峰值信噪比数值。
n个最优随机共振响应Y1,Y2,...Yn经过式(20)进行融合，得到融合结果Y*。
步骤6：对步骤5中得到的融合结果E*和Y*进行NSCT逆变换重构，得到重构后的图像，图像经过二值化阈值处理后即可得到最终的眼底图像血管检测结果。上述步骤设计中所用到的NSCT结构分解示意图如附图3所示。本发明专利的流程示意图如附图4所示。
Claims (1)
1.一种自适应尺度分解的眼底图像血管随机共振检测方法，其特征在于，该方法具体包括以下步骤：
步骤1：对眼底图像进行第1级NSCT变换，得到1个低通子带图像和8个方向的高频分量子带图像；
步骤2：基于能量最大规则，对步骤1中得到的8个方向的高频分量子带图像进行融合，将融合后的子带合成图作为Duffing随机共振模型的输入信号，并且以峰值信噪比为评价指标调节Duffing随机共振模型中的附加内噪声强度，得到峰值信噪比下的最优随机共振响应；
步骤3：根据步骤2中最优随机共振响应时所对应的峰值信噪比指标，若其高于设定的最低标准值T，则对步骤1得到的低通子带图像继续进行下一级的NSCT变换，此时将得到新尺度下的1个低通子带图像和8个方向的高频分量子带图像；
步骤4：重复执行步骤2和3，直到峰值信噪比指标低于设定的最低标准值T，假设此时进行了第n级NSCT变换，则结果包括不同尺度下的n个低通子带图像以及n个最优随机共振响应；
步骤5：基于区域能量加权平均规则，对步骤4得到的n个低通子带图像进行融合；同时基于峰值信噪比数值的加权方法，对步骤4得到的n个最优随机共振响应进行加权融合；
步骤6：对步骤5得到的融合结果进行NSCT逆变换重构，并通过二值化阈值处理后得到最终的眼底图像血管检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810715955.3A CN109118472B (zh) | 2018-07-03 | 2018-07-03 | 一种自适应尺度分解的眼底图像血管随机共振检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810715955.3A CN109118472B (zh) | 2018-07-03 | 2018-07-03 | 一种自适应尺度分解的眼底图像血管随机共振检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109118472A true CN109118472A (zh) | 2019-01-01 |
| CN109118472B CN109118472B (zh) | 2021-06-08 |
Family
ID=64822556
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810715955.3A Active CN109118472B (zh) | 2018-07-03 | 2018-07-03 | 一种自适应尺度分解的眼底图像血管随机共振检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109118472B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298808B (zh) * | 2019-07-05 | 2021-06-22 | 福州大学 | 基于量子差分进化算法的nsct域红外图像自适应去噪方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6636643B1 (en) * | 1999-02-04 | 2003-10-21 | Quvis, Inc. | System and method for improving compressed image appearance using stochastic resonance and energy replacement |
| US7030808B1 (en) * | 2004-03-05 | 2006-04-18 | The United States Of America As Represented By The Secretary Of The Air Force | Nonlinear target recognition |
| CN101609549A (zh) * | 2009-07-24 | 2009-12-23 | 河海大学常州校区 | 视频模糊图像的多尺度几何分析超分辨处理方法 |
| CN102521818A (zh) * | 2011-12-05 | 2012-06-27 | 西北工业大学 | 一种基于nsct的sar图像和可见光图像的融合方法 |
| CN102608553A (zh) * | 2012-03-16 | 2012-07-25 | 电子科技大学 | 一种基于自适应随机共振的微弱信号提取方法 |
| CN103729847A (zh) * | 2013-12-26 | 2014-04-16 | 杭州电子科技大学 | 一种基于多重随机共振机制的图像边缘检测方法 |
| CN103884421A (zh) * | 2014-03-24 | 2014-06-25 | 重庆邮电大学 | 基于联合去噪和伪哈密顿量的Duffing振子弱信号检测方法 |
| CN104101780A (zh) * | 2014-04-24 | 2014-10-15 | 重庆邮电大学 | 基于联合去噪和频率调制的微弱信号检测方法 |
| CN104251820A (zh) * | 2013-06-26 | 2014-12-31 | 中南大学 | 一种基于Duffing***的光声池微弱光声信号检测方法 |
| CN104899848A (zh) * | 2015-07-02 | 2015-09-09 | 苏州科技学院 | 一种基于黎曼度量的自适应多策略图像融合方法 |
| CN106680628A (zh) * | 2016-12-26 | 2017-05-17 | 西北工业大学 | 一种自适应随机共振弱信号匹配检测方法 |
-
2018
- 2018-07-03 CN CN201810715955.3A patent/CN109118472B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6636643B1 (en) * | 1999-02-04 | 2003-10-21 | Quvis, Inc. | System and method for improving compressed image appearance using stochastic resonance and energy replacement |
| US7030808B1 (en) * | 2004-03-05 | 2006-04-18 | The United States Of America As Represented By The Secretary Of The Air Force | Nonlinear target recognition |
| CN101609549A (zh) * | 2009-07-24 | 2009-12-23 | 河海大学常州校区 | 视频模糊图像的多尺度几何分析超分辨处理方法 |
| CN102521818A (zh) * | 2011-12-05 | 2012-06-27 | 西北工业大学 | 一种基于nsct的sar图像和可见光图像的融合方法 |
| CN102608553A (zh) * | 2012-03-16 | 2012-07-25 | 电子科技大学 | 一种基于自适应随机共振的微弱信号提取方法 |
| CN104251820A (zh) * | 2013-06-26 | 2014-12-31 | 中南大学 | 一种基于Duffing***的光声池微弱光声信号检测方法 |
| CN103729847A (zh) * | 2013-12-26 | 2014-04-16 | 杭州电子科技大学 | 一种基于多重随机共振机制的图像边缘检测方法 |
| CN103884421A (zh) * | 2014-03-24 | 2014-06-25 | 重庆邮电大学 | 基于联合去噪和伪哈密顿量的Duffing振子弱信号检测方法 |
| CN104101780A (zh) * | 2014-04-24 | 2014-10-15 | 重庆邮电大学 | 基于联合去噪和频率调制的微弱信号检测方法 |
| CN104899848A (zh) * | 2015-07-02 | 2015-09-09 | 苏州科技学院 | 一种基于黎曼度量的自适应多策略图像融合方法 |
| CN106680628A (zh) * | 2016-12-26 | 2017-05-17 | 西北工业大学 | 一种自适应随机共振弱信号匹配检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 钟桦等: "基于非下采样Contourlet变换的视网膜分割", 《计算机学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298808B (zh) * | 2019-07-05 | 2021-06-22 | 福州大学 | 基于量子差分进化算法的nsct域红外图像自适应去噪方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109118472B (zh) | 2021-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101609549B (zh) | 视频模糊图像的多尺度几何分析超分辨处理方法 | |
| Selvakumar et al. | Brain tumor segmentation and its area calculation in brain MR images using K-mean clustering and Fuzzy C-mean algorithm | |
| CN109389585B (zh) | 一种基于全卷积神经网络的脑组织提取方法 | |
| CN104616274B (zh) | 一种基于显著性区域提取的多聚焦图像融合方法 | |
| CN100462054C (zh) | 胎儿图像性别部位识别屏蔽方法 | |
| Bhatnagar et al. | An image fusion framework based on human visual system in framelet domain | |
| CN104103041B (zh) | 超声图像混合噪声自适应抑制方法 | |
| CN107909560A (zh) | 一种基于SiR的多聚焦图像融合方法及*** | |
| CN104008537A (zh) | 结合cs-ct-chmm的噪声图像融合新方法 | |
| CN114241077B (zh) | 一种ct图像分辨率优化方法及装置 | |
| CN109242812A (zh) | 基于显著性检测与奇异值分解的图像融合方法及装置 | |
| CN102670251B (zh) | 基于数值排序加权平均的超声图像空间滤波方法 | |
| Mina et al. | Breast abnormality detection in mammograms using Artificial Neural Network | |
| CN110136088A (zh) | 一种人类胚胎心脏超声图像去噪方法 | |
| Yang | Multiresolution Image Fusion Based on Wavelet Transform By Using a Novel Technique for Selection Coefficients. | |
| Mustafa et al. | Medical image de-noising schemes using wavelet transform with fixed form thresholding | |
| CN103065291A (zh) | 基于提升小波变换和像素区域相关性的图像融合方法 | |
| CN109345516A (zh) | 一种变换域hmt模型的脑磁共振体数据自适应增强方法 | |
| CN117078695A (zh) | 一种基于深度学习的颈动脉斑块超声图像识别分割方法 | |
| Yang et al. | An effective and comprehensive image super resolution algorithm combined with a novel convolutional neural network and wavelet transform | |
| CN109118472A (zh) | 一种自适应尺度分解的眼底图像血管随机共振检测方法 | |
| Li et al. | Bionic vision-based synthetic aperture radar image edge detection method in non-subsampled contourlet transform domain | |
| CN109166088A (zh) | 基于非降采样小波变换的双波段灰度熔池图像融合方法 | |
| CN117115133A (zh) | 一种基于人工智能的医学图像质量快速提升*** | |
| CN116205807A (zh) | 一种基于深度学习的冷冻电镜图像去噪方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |