CN111325675A - 图像处理方法、装置、设备和存储介质 - Google Patents

图像处理方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN111325675A
CN111325675A CN201811541513.8A CN201811541513A CN111325675A CN 111325675 A CN111325675 A CN 111325675A CN 201811541513 A CN201811541513 A CN 201811541513A CN 111325675 A CN111325675 A CN 111325675A
Authority
CN
China
Prior art keywords
image
artifact
sample data
pure
model
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
Application number
CN201811541513.8A
Other languages
English (en)
Other versions
CN111325675B (zh
Inventor
葛永帅
陈剑威
朱炯滔
梁栋
刘新
郑海荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201811541513.8A priority Critical patent/CN111325675B/zh
Priority to PCT/CN2018/125629 priority patent/WO2020124682A1/zh
Publication of CN111325675A publication Critical patent/CN111325675A/zh
Application granted granted Critical
Publication of CN111325675B publication Critical patent/CN111325675B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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
    • 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
    • G06T11/00—2D [Two Dimensional] image generation
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例公开了一种图像处理方法、装置、设备和存储介质，其中该方法包括：获取待处理的伪影图像；利用预先构建的伪影去除模型，得到伪影图像去除伪影之后的图像，伪影去除模型的样本数据通过将纯伪影图像和自然图像进行数学融合得到。本发明实施例通过数学融合得到大量的样本数据，并基于得到的样本数据去训练伪影去除模型，使得该伪影去除模型可以更加有效地实现图像伪影的去除，并且相对于现有技术中的傅里叶变换或者小波变换等方法，提高了去除伪影的精确度和处理效率。

Description

图像处理方法、装置、设备和存储介质
技术领域
本发明实施例涉及计算机技术领域以及图像处理技术领域，尤其涉及一种图像处理方法、装置、设备和存储介质。
背景技术
X射线光栅相衬成像技术是一种基于泰伯(Talbot)效应和Lau效应的光栅成像方法。通过该技术，能够有效对待检物体进行X射线曝光，从而得到物体内部的吸收信号、散射信号和折射信号。研究表明，折射信号可以有效的提高软组织探测的对比度，而散射信号可以极大的提高对物体内部颗粒或者空隙结构的探测灵敏度。因此，X射线光栅相衬成像技术得到了研究人员的广泛关注，并希望将该技术应用到临床检测当中。
目前，上述吸收、散射、折射信号的提取是基于多个相位步进投影图得到的。但是，由于受光栅步进位移精确度和光机输出稳定性的制约，传统信号提取方法会导致得到的吸收图、散射图和折射图会有残存的莫尔伪影。这些残存的莫尔伪影会极大的降低图像的可读性，也就是间接降低X射线光栅相衬成像技术的辐射剂量利用效率。为了减少残存的莫尔伪影，同时提高辐射剂量利用效率，有研究曾尝试使用基于傅里叶变换技术的去伪影方法。通过压低频率域空间与莫尔伪影相对应的频率信息，该方法可以在一定程度上减少残存的莫尔伪影。同时，也有研究曾尝试基于小波变换技术来减少该类伪影。使用小波变换技术的基本动机是为了解决莫尔伪影不同空间频率分布的困难。另外，也有人提出用一定的数学方法估计出每个步进的微小偏移量，并进行优化和修正。
对于基于傅里叶变换或者小波变换的方法来说，其主要的挑战在于只能应用于莫尔条纹伪影分布比较有规律，取向比较一致的情况。对于具有任意形状的莫尔伪影分布来说，这两种方法都有明显的局限性。其次，这两种方法都可能造成图像分辨率在不同程度上有损失，给其实际应用带来困难。对基于最大似然法的优化修正法而言，其存在的不足是：原则上X射线光栅相衬理论是建立在精准步进的情况上的，最大似然法只能求出每个步进的偏移量，对于步进修正之后，只能缓解一部分伪影并不能完全去除。此外，对于步进数较少的时候，效果并不明显。但是，该方法的另外一个缺点是没有考虑光机输出不稳定带来的影响。我们知道，实验过程中对于长时间曝光，光机的光斑会漂移，光斑的漂移量往往大于机械移动光栅的偏移量，光斑漂移间接导致步进不精准。虽然对光强不一致可以进行后期校正，但是对于有些实验，特别是很难对数据进行校正的情况时，这种光强校正的图像后处理算法就变得比较困难了。综上，由于残余莫尔伪影的分布形态各异，给以上方法的应用带来了很多困难，导致这些方法均有一定的局限性。
发明内容
本发明实施例提供了一种图像处理方法、装置、设备和存储介质，可以有效去除图像的伪影。
第一方面，本发明实施例提供了一种图像处理方法，包括：
获取待处理的伪影图像；
利用预先构建的伪影去除模型，得到所述伪影图像去除伪影之后的图像，所述伪影去除模型的样本数据通过将纯伪影图像和自然图像进行数学融合得到。
第二方面，本发明实施例还提供了一种图像处理装置，该装置包括：
图像获取模块，用于获取待处理的伪影图像；
伪影去除模块，用于利用预先构建的伪影去除模型，得到所述伪影图像去除伪影之后的图像，所述伪影去除模型的样本数据通过将纯伪影图像和自然图像进行数学融合得到。
第三方面，本发明实施例还提供了一种设备，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的图像处理方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的图像处理方法。
本发明实施例通过获取待处理的伪影图像，并利用预先构建的伪影去除模型，得到所述伪影图像去除伪影之后的图像，其中伪影去除模型的样本数据通过将纯伪影图像和自然图像进行数学融合得到。本发明实施例通过数学融合得到大量的样本数据，并基于得到的样本数据去训练伪影去除模型，使得该伪影去除模型可以更加有效地实现图像伪影的去除，并且相对于现有技术中的傅里叶变换或者小波变换等方法，提高了去除伪影的精确度和处理效率。
附图说明
图1为本发明实施例一中的图像处理方法的流程图；
图2为本发明实施例一中的图像处理方法的示意图；
图3为本发明实施例一中的纯伪影图像示意图；
图4为本发明实施例二中的图像处理方法的流程图；
图5为本发明实施例二中的伪影去除模型的示意图；
图6为本发明实施例二中的图像处理过程的示意图；
图7为本发明实施例三中的图像处理装置的结构示意图；
图8为本发明实施例四中的设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一中的图像处理方法的流程图，本实施例可适用于实现图像处理的情况，该方法可以由图像处理装置执行，该装置可以采用软件和/或硬件的方式实现，例如，该装置可配置于设备中。
本发明实施例中的伪影去除模型是基于深度学习模型构建的，对伪影图像的具体处理参见图2，图2为本发明实施例一中的图像处理方法的示意图。图中将通过数学融合得到的样本数据输入伪影去除模型中进行训练，得到训练好的伪影去除模型；图中将一个实验中得到的真实的伪影图像输入该训练好的伪影去除模型中，虚线代表伪影，得到的结果为去除伪影的图像。
如图1所示，该方法具体可以包括：
S110、获取待处理的伪影图像。
其中，伪影(Artifacts)是指原本被扫描物体并不存在而在图像上却出现的各种形态的影像，伪影图像为带有不同程度的伪影的图像。本实施例中的伪影以X射线光栅相衬成像中的莫尔伪影为例进行说明，对于X射线光栅相衬成像***而言，由于相位步进不精准和光机输出光强不稳定会导致最终获得的图像带有不同程度的莫尔伪影。
具体的，本实施例中可以获取实验室平台上实时采集的包括莫尔伪影的图像，也可以获取互联网中已有的包括莫尔伪影的图像。
S120、利用预先构建的伪影去除模型，得到伪影图像去除伪影之后的图像，伪影去除模型的样本数据通过将纯伪影图像和自然图像进行数学融合得到。
其中，伪影去除模型的样本数据通过将纯伪影图像和自然图像进行数学融合得到，包括：
获取纯伪影图像和自然图像，并对纯伪影图像和自然图像进行归一化处理；
对归一化处理之后的纯伪影图像和自然图像采用预设融合公式进行图像融合，得到样本数据。
纯伪影图像可以为在实验室平台上采集的不带物体的图像，该图像仅包括莫尔伪影。本实施例中，在实验室平台上无物体的情况下采集到相位步进投影图，通过传统信号提取过程可以得到吸收图、散射图和折射图的纯伪影图像。示例性的，参见图3，图3为本发明实施例一中的纯伪影图像示意图，图中为吸收图的纯伪影图像，图中的虚线代表伪影。自然图像为不带伪影的图像，自然图像的具体来源本实施例中不作限定，例如可以为从互联网上获取的无伪影的图像。
对纯伪影图像和自然图像进行归一化处理，可以包括：将采集到的自然图像通过Matlab(Matrix&Laboratory)进行灰度化处理，并将其归一化到0到1之间；通过预设的归一化公式对采集到的纯伪影图像进行归一化处理。该预设的归一化公式本实施例中不作限定，可以实现归一化即可。例如预设的归一化公式可以为Mn＝[Yn-mean(Yn)]/[max(Yn)-min(Yn)]，其中Mn代表纯伪影图像归一化之后的像素值，Yn代表纯伪影图像的初始像素值，mean(Yn)代表对Yn取平均值，max(Yn)代表对Yn取最大值，min(Yn)代表对Yn取最小值，归一化之后的纯伪影图像中的伪影条纹的像素均值为0，振幅为0.5。
对归一化处理之后的纯伪影图像和自然图像采用预设融合公式进行图像融合，得到样本数据，可以包括：将归一化处理之后的纯伪影图像和自然图像的像素值均输入预设融合公式中进行计算，可以得到融合图像，该融合图像为样本数据。其中，预设融合公式可以为线性公式，也可以为非线性公式，本实施例中以线性公式为例进行说明。预设融合公式可以根据纯伪影图像的类型进行设置，示例性的，对于吸收图和散射图的纯伪影图像，预设融合公式均可以为An＝(3-a)×In+a×Mn，其中An代表融合图像的像素值，Mn代表纯伪影图像归一化之后的像素值，In代表归一化处理之后的自然图像的像素值，a代表耦合系数；对于折射图的纯伪影图像，预设融合公式可以为Sn＝(6.28-a)×Pn+a×Mn，其中Sn代表融合图像的像素值，Mn代表纯伪影图像归一化之后的像素值，Pn代表归一化处理之后的自然图像的相邻像素点的像素差值，a代表耦合系数。融合系数受当前的实验室平台以及环境因素影响的，本实施例中耦合系数的取值为0到0.3时，得到的融合图像的莫尔伪影的相对强度为20％左右，与真实的包括莫尔伪影的图像类似，因此，该融合图像可以作为样本图像。
示例性的，随机从各种类型的256张纯伪影图像和十万张自然图像中各挑选两张，再通过归一化处理以及预设融合公式生成十万张的融合图像，即得到十万个样本数据。
由于实验室平台以及客观条件的局限，实际中很难采集到数量巨大的不包括伪影的图像，因此本实施例中通过数学融合得到符合要求的大量的样本数据，可以更简单便利地实现样本数据的获取。
具体的，基于数学融合获取到的样本数据对伪影去除模型进行训练，得到训练好的伪影去除模型；将待处理的伪影图像输入该训练好的伪影去除模型中，可以得到该伪影图像去除伪影之后的图像。其中伪影去除模型是基于卷积神经网络构建的，具体的结构本实施例中不作限定，可以实现伪影去除即可。
本实施例通过获取待处理的伪影图像，并利用预先构建的伪影去除模型，得到伪影图像去除伪影之后的图像，其中伪影去除模型的样本数据通过将纯伪影图像和自然图像进行数学融合得到。本实施例通过数学融合得到大量的样本数据，并基于得到的样本数据去训练伪影去除模型，使得该伪影去除模型可以更加有效地实现图像伪影的去除，并且相对于现有技术中的傅里叶变换或者小波变换等方法，提高了去除伪影的精确度和处理效率。
实施例二
图4为本发明实施例二中的图像处理方法的流程图。本实施例在上述实施例的基础上，进一步优化了上述图像处理方法。相应的，本实施例的方法具体包括：
S210、获取纯伪影图像和自然图像，并对纯伪影图像和自然图像进行归一化处理。
本实施例中，在实验室平台上无物体的情况下采集到相位步进投影图，通过传统信号提取过程可以得到吸收图、散射图和折射图的纯伪影图像。将采集到的自然图像通过Matlab(Matrix&Laboratory)进行灰度化处理，并将其归一化到0到1之间；通过预设的归一化公式对采集到的纯伪影图像进行归一化处理。
S220、对归一化处理之后的纯伪影图像和自然图像采用预设融合公式进行图像融合，得到样本数据。
将归一化处理之后的纯伪影图像和自然图像的像素值均输入预设融合公式中进行计算，可以得到融合图像，该融合图像为样本数据。其中，预设融合公式可以为线性公式，也可以为非线性公式，本实施例中以线性公式为例进行说明。
示例性的，随机从各种类型的256张纯伪影图像和十万张自然图像中各挑选两张，再通过归一化处理以及预设融合公式生成十万张的融合图像，即得到十万个样本数据。
S230、将样本数据作为卷积神经网络的输入，样本数据对应的自然图像作为卷积神经网络的输出对卷积神经网络进行训练，得到伪影去除模型。
其中，伪影去除模型是基于卷积神经网络构建的，具体可以包括降采样模块和升采样模块，降采样模块和升采样模块通过残差连接层连接。具体参见图5，图5为本发明实施例二中的伪影去除模型的示意图。图中的降采样模块包括D个卷积层，卷积层1的输入图像的尺寸记为M×N，采用步长(stride)为2的模式进行降采样卷积，卷积层1内部包括多个级联卷积单元，输出的特征图像的尺寸为(M/2)×(N/2)，卷积层2的输入图像的尺寸即为(M/2)×(N/2)，以此类推，卷积层D输出的特征图像的尺寸为(M/2^D)×(N/2^D)。图中的降采样模块中也包括D个卷积层，具体的升采样过程与降采样过程相反，卷积层D+1的输入图像的尺寸为(M/2^D)×(N/2^D)，卷积层D+1为反卷积层，采用步长(stride)为2的模式进行升采样卷积，输出的特征图像的尺寸为(M/2^(D-1))×(N/2^(D-1))，后面的反卷积层以此类推，直到最后一层即卷积层D+D不再升采样，输出的图像尺寸与降采样模块最开始输入的图像尺寸一致，输出的尺寸为M×N。
图5中各卷积层采用的卷积核的大小可以为3×3、5×5或者7×7等，各卷积层的输入输出特征图像数目可以为8、16、32或者64等，各卷积层的激活函数可以为线性整流函数(Rectified Linear Unit，ReLU)、带泄露线性整流函数(Leaky ReLU)、双曲正切(Tanh)函数或者Sigmoid函数等。图5中的降采样模块和升采样模块的每一卷积层通过残差连接层连接，分别将降采样模块各卷积层的输出连接到升采样模块各卷积层的输出上。本实施例中通过残差连接层将降采样模块和升采样模块连接，可以减少卷积神经网络传输中的梯度消失的问题，并且保证了图像的分辨率。
具体的，将样本数据作为如图5所示的卷积神经网络的输入，样本数据对应的自然图像作为输出图像的监督对卷积神经网络进行训练，得到训练好的伪影去除模型。
S240、获取待处理的伪影图像。
本实施例中的伪影以X射线光栅相衬成像中的莫尔伪影为例进行说明。本实施例中可以获取实验室平台上实时采集的包括莫尔伪影的图像，也可以获取互联网中已有的包括莫尔伪影的图像。
S250、利用预先构建的伪影去除模型，得到伪影图像去除伪影之后的图像。
其中，伪影去除模型的样本数据通过将纯伪影图像和自然图像进行数学融合得到。
图6为本发明实施例二中的图像处理过程的示意图，图中的伪影去除模型的降采样模块和升采样模块均由5个卷积层组成，有5个残差连接层分别把降采样模块的输出连接到升采样模块的输出上，图6中的卷积层采用的卷积核为7×7的卷积核，卷积层的激活函数为ReLU函数。输入的待处理的伪影图像的尺寸大小为224×224，图中的虚线代表伪影，输出的是去除伪影的图像。
本实施例通过获取待处理的伪影图像，并利用预先构建的伪影去除模型，得到伪影图像去除伪影之后的图像，其中伪影去除模型的样本数据通过将纯伪影图像和自然图像进行数学融合得到。本实施例通过数学融合得到大量的样本数据，并基于得到的样本数据去训练伪影去除模型，使得该伪影去除模型可以更加有效地实现图像伪影的去除，相对于现有技术中的傅里叶变换或者小波变换等方法，可以适用于多种不同种类的伪影，提高了去除伪影的精确度和处理效率；并且本实施例中的伪影去除模型采用降采样与升采样结合的深度卷积神经网络，可以保证图像分辨率不丢失的情况下去除伪影，且神经网络的结构可以灵活地配置扩展。
实施例三
图7为本发明实施例三中的图像处理装置的结构示意图，本实施例可适用于实现图像处理的情况。本发明实施例所提供的图像处理装置可执行本发明任意实施例所提供的图像处理方法，具备执行方法相应的功能模块和有益效果。该装置具体包括图像获取模块310和伪影去除模块320，其中：
图像获取模块310，用于获取待处理的伪影图像；
伪影去除模块320，用于利用预先构建的伪影去除模型，得到伪影图像去除伪影之后的图像，伪影去除模型的样本数据通过将纯伪影图像和自然图像进行数学融合得到。
本发明实施例通过获取待处理的伪影图像，并利用预先构建的伪影去除模型，得到伪影图像去除伪影之后的图像，其中伪影去除模型的样本数据通过将纯伪影图像和自然图像进行数学融合得到。本发明实施例通过数学融合得到大量的样本数据，并基于得到的样本数据去训练伪影去除模型，使得该伪影去除模型可以更加有效地实现图像伪影的去除，并且相对于现有技术中的傅里叶变换或者小波变换等方法，提高了去除伪影的精确度和处理效率。
可选地，伪影去除模块320包括：
处理单元，用于获取纯伪影图像和自然图像，并对纯伪影图像和自然图像进行归一化处理；
样本单元，用于对归一化处理之后的纯伪影图像和自然图像采用预设融合公式进行图像融合，得到样本数据。
可选地，该装置还包括模型模块，模型模块具体用于：
将样本数据作为卷积神经网络的输入，样本数据对应的自然图像作为卷积神经网络的输出对卷积神经网络进行训练，得到伪影去除模型。
可选地，伪影去除模型包括降采样模块和升采样模块，降采样模块和升采样模块通过残差连接层连接。
本发明实施例所提供的图像处理装置可执行本发明任意实施例所提供的图像处理方法，具备执行方法相应的功能模块和有益效果。
实施例四
图8为本发明实施例四中的设备的结构示意图。图8示出了适于用来实现本发明实施方式的示例性设备412的框图。图8显示的设备412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，设备412以通用设备的形式表现。设备412的组件可以包括但不限于：一个或者多个处理器416，存储装置428，连接不同***组件(包括存储装置428和处理器416)的总线418。
总线418表示几类总线结构中的一种或多种，包括存储装置总线或者存储装置控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry SubversiveAlliance，ISA)总线，微通道体系结构(Micro Channel Architecture，MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及***组件互连(Peripheral Component Interconnect，PCI)总线。
设备412典型地包括多种计算机***可读介质。这些介质可以是任何能够被设备412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置428可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(Random Access Memory，RAM)430和/或高速缓存存储器432。设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例，存储***434可以用于读写不可移动的、非易失性磁介质(图8未显示，通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘，例如只读光盘(Compact Disc Read-Only Memory，CD-ROM),数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储装置428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储装置428中，这样的程序模块442包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
设备412也可以与一个或多个外部设备414(例如键盘、图形处理器(GraphicsProcessing Uni，GPU)、指向终端、显示器424等)通信，还可与一个或者多个使得用户能与该设备412交互的终端通信，和/或与使得该设备412能与一个或多个其它计算终端进行通信的任何终端(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网(Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图8所示，网络适配器420通过总线418与设备412的其它模块通信。应当明白，尽管图中未示出，可以结合设备412使用其它硬件和/或软件模块，包括但不限于：微代码、终端驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of IndependentDisks，RAID)***、磁带驱动器以及数据备份存储***等。
处理器416通过运行存储在存储装置428中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的图像处理方法，该方法包括：
获取待处理的伪影图像；
利用预先构建的伪影去除模型，得到伪影图像去除伪影之后的图像，伪影去除模型的样本数据通过将纯伪影图像和自然图像进行数学融合得到。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的图像处理方法，该方法包括：
获取待处理的伪影图像；
利用预先构建的伪影去除模型，得到伪影图像去除伪影之后的图像，伪影去除模型的样本数据通过将纯伪影图像和自然图像进行数学融合得到。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python以及基于Python框架开发的各类开源深度学习工具包，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种图像处理方法，其特征在于，包括：
获取待处理的伪影图像；
利用预先构建的伪影去除模型，得到所述伪影图像去除伪影之后的图像，所述伪影去除模型的样本数据通过将纯伪影图像和自然图像进行数学融合得到。
2.根据权利要求1所述的方法，其特征在于，所述伪影去除模型的样本数据通过将纯伪影图像和自然图像进行数学融合得到，包括：
获取纯伪影图像和自然图像，并对所述纯伪影图像和所述自然图像进行归一化处理；
对归一化处理之后的所述纯伪影图像和所述自然图像采用预设融合公式进行图像融合，得到样本数据。
3.根据权利要求1所述的方法，在获取待处理的伪影图像之前，还包括：
将样本数据作为卷积神经网络的输入，所述样本数据对应的自然图像作为所述卷积神经网络的输出对所述卷积神经网络进行训练，得到伪影去除模型。
4.根据权利要求1所述的方法，其特征在于，所述伪影去除模型包括降采样模块和升采样模块，所述降采样模块和所述升采样模块通过残差连接层连接。
5.一种图像处理装置，其特征在于，包括：
图像获取模块，用于获取待处理的伪影图像；
伪影去除模块，用于利用预先构建的伪影去除模型，得到所述伪影图像去除伪影之后的图像，所述伪影去除模型的样本数据通过将纯伪影图像和自然图像进行数学融合得到。
6.根据权利要求5所述的装置，其特征在于，所述伪影去除模块包括：
处理单元，用于获取纯伪影图像和自然图像，并对所述纯伪影图像和所述自然图像进行归一化处理；
样本单元，用于对归一化处理之后的所述纯伪影图像和所述自然图像采用预设融合公式进行图像融合，得到样本数据。
7.根据权利要求5所述的装置，其特征在于，还包括模型模块，所述模型模块具体用于：
将样本数据作为卷积神经网络的输入，所述样本数据对应的自然图像作为所述卷积神经网络的输出对所述卷积神经网络进行训练，得到伪影去除模型。
8.根据权利要求5所述的装置，其特征在于，所述伪影去除模型包括降采样模块和升采样模块，所述降采样模块和所述升采样模块通过残差连接层连接。
9.一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的图像处理方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的图像处理方法。
CN201811541513.8A 2018-12-17 2018-12-17 图像处理方法、装置、设备和存储介质 Active CN111325675B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811541513.8A CN111325675B (zh) 2018-12-17 2018-12-17 图像处理方法、装置、设备和存储介质
PCT/CN2018/125629 WO2020124682A1 (zh) 2018-12-17 2018-12-29 图像处理方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811541513.8A CN111325675B (zh) 2018-12-17 2018-12-17 图像处理方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN111325675A true CN111325675A (zh) 2020-06-23
CN111325675B CN111325675B (zh) 2023-12-26

Family

ID=71102448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811541513.8A Active CN111325675B (zh) 2018-12-17 2018-12-17 图像处理方法、装置、设备和存储介质

Country Status (2)

Country Link
CN (1) CN111325675B (zh)
WO (1) WO2020124682A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255756A (zh) * 2021-05-20 2021-08-13 联仁健康医疗大数据科技股份有限公司 图像融合方法、装置、电子设备及存储介质
CN117689980A (zh) * 2024-02-04 2024-03-12 青岛海尔科技有限公司 构建环境识别模型的方法、识别环境的方法及装置、设备

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815692B (zh) * 2020-07-15 2023-12-01 东软教育科技集团有限公司 无伪影数据及有伪影数据的生成方法、***及存储介质
CN112419372B (zh) * 2020-11-11 2024-05-17 广东拓斯达科技股份有限公司 图像处理方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107730479A (zh) * 2017-08-30 2018-02-23 中山大学 基于压缩感知的高动态范围图像去伪影融合方法
US20180082115A1 (en) * 2015-07-17 2018-03-22 Hp Indigo B.V. Methods of detecting moire artifacts
CN107945132A (zh) * 2017-11-29 2018-04-20 深圳安科高技术股份有限公司 一种基于神经网络的ct图像的伪影校正方法及装置
CN107958472A (zh) * 2017-10-30 2018-04-24 深圳先进技术研究院 基于稀疏投影数据的pet成像方法、装置、设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170337682A1 (en) * 2016-05-18 2017-11-23 Siemens Healthcare Gmbh Method and System for Image Registration Using an Intelligent Artificial Agent
US10387765B2 (en) * 2016-06-23 2019-08-20 Siemens Healthcare Gmbh Image correction using a deep generative machine-learning model
US11832969B2 (en) * 2016-12-22 2023-12-05 The Johns Hopkins University Machine learning approach to beamforming

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180082115A1 (en) * 2015-07-17 2018-03-22 Hp Indigo B.V. Methods of detecting moire artifacts
CN107730479A (zh) * 2017-08-30 2018-02-23 中山大学 基于压缩感知的高动态范围图像去伪影融合方法
CN107958472A (zh) * 2017-10-30 2018-04-24 深圳先进技术研究院 基于稀疏投影数据的pet成像方法、装置、设备及存储介质
CN107945132A (zh) * 2017-11-29 2018-04-20 深圳安科高技术股份有限公司 一种基于神经网络的ct图像的伪影校正方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ANSELM GRUNDHÖFER ET AL.: "CAMERA-SPECIFIC IMAGE QUALITY ENHANCEMENT USING A CONVOLUTIONAL NEURAL NETWORK", 2017 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP), pages 1 - 5 *
GE YONGSHUAI ET AL.: "A novel 2-dimensional cosmic ray position detector based on a CsI(Na) pixel array and an ICCD camera", CHINESE PHYSICS C, vol. 36, no. 11, pages 1101 - 1105 *
毕浩宇 等: "小波变换在激光医学图像伪影去除的应用", 激光杂志, vol. 37, no. 06, pages 94 - 97 *
郑海荣 等: "基于超快超声平面波成像的医学超声探头改进", 北京生物医学工程, vol. 35, no. 04, pages 353 - 359 *
陈剑威 等: "超声筛查发育性髋关节异常高危因素小婴儿2100例", 北京医学, vol. 35, no. 04, pages 263 - 266 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255756A (zh) * 2021-05-20 2021-08-13 联仁健康医疗大数据科技股份有限公司 图像融合方法、装置、电子设备及存储介质
CN113255756B (zh) * 2021-05-20 2024-05-24 联仁健康医疗大数据科技股份有限公司 图像融合方法、装置、电子设备及存储介质
CN117689980A (zh) * 2024-02-04 2024-03-12 青岛海尔科技有限公司 构建环境识别模型的方法、识别环境的方法及装置、设备
CN117689980B (zh) * 2024-02-04 2024-05-24 青岛海尔科技有限公司 构建环境识别模型的方法、识别环境的方法及装置、设备

Also Published As

Publication number Publication date
CN111325675B (zh) 2023-12-26
WO2020124682A1 (zh) 2020-06-25

Similar Documents

Publication Publication Date Title
Yap et al. Deep learning in diabetic foot ulcers detection: A comprehensive evaluation
CN111325675B (zh) 图像处理方法、装置、设备和存储介质
CN110766769B (zh) 一种磁共振图像重建方法、装置、设备和介质
JP5749735B2 (ja) Ｘ線放射線写真における骨抑制
CN111709897B (zh) 一种基于域变换的正电子发射断层图像的重建方法
CN110728673A (zh) 一种目标部位分析方法、装置、计算机设备及存储介质
CN108742679B (zh) 结节检测装置和方法
CN112419378B (zh) 医学图像配准方法、电子设备和存储介质
CN111145160A (zh) 钙化区域所处冠脉分支的确定方法、装置、服务器及介质
CN113888566B (zh) 目标轮廓曲线确定方法、装置、电子设备以及存储介质
CN112150571A (zh) 一种图像运动伪影消除方法、装置、设备及存储介质
US8989462B2 (en) Systems, methods and computer readable storage mediums storing instructions for applying multiscale bilateral filtering to magnetic resonance (RI) images
Li et al. Unsupervised data fidelity enhancement network for spectral CT reconstruction
CN117670709A (zh) 医学图像的去噪方法、装置、设备及可读存储介质
Ma et al. A neural network with encoded visible edge prior for limited‐angle computed tomography reconstruction
CN112101396A (zh) 一种分类方法、装置、设备和存储介质
CN113255756B (zh) 图像融合方法、装置、电子设备及存储介质
Whiteley et al. Direct image reconstruction from raw measurement data using an encoding transform refinement-and-scaling neural network
WO2022127318A1 (zh) 一种扫描定位方法、装置、存储介质及电子设备
CN115115736A (zh) 图像去伪影方法、装置、设备及存储介质
CN111627081B (zh) Ct图像重建方法、装置、设备和介质
CN114511666A (zh) 一种模型生成方法、图像重建方法、装置、设备和介质
CN112580680B (zh) 一种训练样本的生成方法、装置、存储介质及电子设备
CN112991266A (zh) 用于小样本医疗影像的语义分割方法及***
CN116721143B (zh) 3d医学图像的深度信息处理装置及方法

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