CN112365505A - 一种基于编码解码结构的轻量级舌体分割方法 - Google Patents

一种基于编码解码结构的轻量级舌体分割方法 Download PDF

Info

Publication number
CN112365505A
CN112365505A CN202011061022.0A CN202011061022A CN112365505A CN 112365505 A CN112365505 A CN 112365505A CN 202011061022 A CN202011061022 A CN 202011061022A CN 112365505 A CN112365505 A CN 112365505A
Authority
CN
China
Prior art keywords
convolution
image
tongue
segmentation
data set
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.)
Withdrawn
Application number
CN202011061022.0A
Other languages
English (en)
Inventor
张文强
王娟娟
张颖涛
许立民
李馨蕾
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.)
Shanghai Daocui Intelligent Technology Co ltd
Original Assignee
Shanghai Daocui Intelligent Technology Co ltd
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 Shanghai Daocui Intelligent Technology Co ltd filed Critical Shanghai Daocui Intelligent Technology Co ltd
Priority to CN202011061022.0A priority Critical patent/CN112365505A/zh
Publication of CN112365505A publication Critical patent/CN112365505A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明揭示了一种基于编码解码结构的轻量级舌体分割方法，包括采集舌体数据集图像，并对舌体数据集图像中的舌体区域进行标注；对舌体数据集图像进行预处理，预处理包括数据集扩增、调整图像属性、镜像处理、扩张与剪裁；设计训练分割网络，采用训练分割网络对舌体数据集图像进行编码和解码，得到图像背景和舌体图像的二分类分割结果；对分割后的图像进行处理。本发明在保证分割精度的前提下，大大降低了参数量，提升了分割速度，便于在移动端设备上部署。

Description

一种基于编码解码结构的轻量级舌体分割方法
技术领域
本发明涉及一种计算机处理医学图像技术，尤其是涉及一种基于编码解码结构的轻量级舌体分割方法。
背景技术
舌诊，又称望舌，是一种独特的中医诊断方法。舌体的光泽、苔色、舌质、形状中包含着丰富的信息，通过对舌象的观察，我们能够了解机体的生理状态，为病理判断提供参考。为了更有效地提取这些信息，去除舌外干扰，对图像中的舌体进行准确的分割就显得尤为重要。
当前，医学与计算机结合得越来越紧密，通过计算机处理医学图像并进行诊断已经成为一种趋势。目前的一些舌体分割技术，如果使用传统机器学习的分割方法则有着准确率低的问题，而一些深度学习方法虽然在准确度上有所提升，但模型参数量大、运行速度慢，难以部署在性能较低的移动端设备实现舌体分割。
因此，我们将在医学影像分割上常用的编码解码结构与可分离卷积模块相结合，构建出轻量级舌体分割网络，在保证分割精度的前提下，大大降低了参数量，提升了分割速度，便于在移动端设备上部署。
发明内容
本发明的目的在于克服现有技术的缺陷，提供一种基于编码解码结构的轻量级舌体分割方法。
为实现上述目的，本发明提出如下技术方案：一种基于编码解码结构的轻量级舌体分割方法，包括：
S100，采集舌体数据集图像，并对所述舌体数据集图像中的舌体区域进行标注；
S200，对所述舌体数据集图像进行预处理，所述预处理包括数据集扩增、调整图像属性、镜像处理、扩张与剪裁；
S300，设计训练分割网络，采用所述训练分割网络对舌体数据集图像进行编码和解码，得到图像背景和舌体图像的二分类分割结果；
S400，对分割后的图像进行处理。
优选地，所述S100包括：采集在开放背景下600*600像素的图片，得到单通道的灰度图，并对图片中的舌体区域进行分割标注。
优选地，所述S200中，所述数据集扩增过程包括：
S201a，根据分割标注，将舌体外接框的宽和高两者中较大的一个作为基础边长b，从舌体外接框右上角或左下角取边长为b的正方形区域作为中心框；
S202a，分别从所述中心框向左上、左下、右上、右下延展nb得到边长为(1+n)b的扩充框，其中，n大于0小于1；
S203a，若图像能取得所述中心框和所述扩充框，则作为扩充图像数据。
优选地，所述S200中，所述图像属性包括亮度、对比度、饱和度和色相，图像属性调整过程包括：对数据集中每张图片以50％的概率进行亮度、对比度、饱和度和色相的调整，其中亮度、对比度、饱和度随机在0.7-1.3 倍的范围内进行调整，色相随机在±0.075的范围内进行调整。
优选地，所述S200中，所述镜像处理过程包括：将数据集中的图片R、 B、G三个颜色通道数值范围由[0，255]映射到[0，1]，再进行z-score标准化，其中三个颜色通道的mean与std分别为[0.485,0.456,0.406]和[0.229, 0.224,0.225]。
优选地，所述S200中，所述扩张与剪裁包括：将镜像处理后的图片线性插值到224*224分辨率。
优选地，所述S300中，通过编码解码结构和特征融合方法，结合深度可分离卷积模块构建训练分割网络，所述深度可分离卷积模块由逐点卷积和深度卷积组成，所述逐点卷积进行通道数量的变换，所述深度卷积在扩张的通道上进行逐通道卷积运算。
优选地，编码侧网络由7个卷积模块构成，共进行4次下采，特征图大小由224*224*3变为14*14*256，实现编码操作；其中，7个卷积模块中，前4个卷积模块为常规卷积操作，后3个卷积模块为深度卷积操作或逐点卷积和深度卷积的组合操作，每个卷积模块中卷积操作后，进行批标准化和非线性处理，其中，非线性激活函数为ReLU或ReLU6：
ReLU：f(x)＝max(0,x)；
ReLU6：f(x)＝min(6,max(0,x))；
分别在第2、4、5、6个卷积模块进行最大池化操作或卷积步长为2的卷积操作，实现下采样，并复制保留第1、3、4、5个卷积模块输出的特征图，与解码阶段上采的特征图进行特征融合。
优选地，解码侧网络由5个卷积模块构成，共进行4次上采，特征图大小由14*14*256恢复为224*224*1，实现舌体区域分割；其中，上采样使用双线性插值，每次插值实现特征图宽高倍增，在插值后，与解码阶段下采的相应特征图进行特征融合，再进行卷积操作；
其中，第1、2个上采卷积模块为逐点卷积和深度卷积的组合操作，剩余模块为常规卷积操作；
模型使用医学影像分割常用的Dice Loss作为损失函数进行网络的训练：
Figure RE-GDA0002874890610000031
式中，|X|+|Y|表示预测分割图像与分割标注图像的总像素数；
Figure RE-GDA0002874890610000032
pij为网络预测像素点为舌体的概率，cij为像素点实际分类，N为图像边长。
优选地，所述S400包括：对分割图像保留最大联通区，并对所述最大联通区的孔洞进行填充，得到唯一且完整的舌体区域。
优选地，所述图片中的舌体区域的值为255，其他区域值为0。
本发明的有益效果是：本发明将在医学影像分割上常用的编码解码结构与可分离卷积模块相结合，构建出轻量级舌体分割网络，在保证分割精度的前提下，大大降低了参数量，提升了分割速度，便于在移动端设备上部署。
附图说明
图1、图2均是本发明的流程示意图；
图3是本发明网络的结构示意图；
图4是本发明编码侧网络的结构示意图；
图5是本发明解码侧网络的结构示意图。
具体实施方式
下面将结合本发明的附图，对本发明实施例的技术方案进行清楚、完整的描述。
本发明所揭示的一种基于编码解码结构的轻量级舌体分割方法，将在医学影像分割上常用的编码解码结构与可分离卷积模块相结合，构建出轻量级舌体分割网络，克服了现有舌体分割网络舌体分割精度低、速度慢、模型占用空间大的缺点，在保证精度前提下压缩模型大小，提升分割速度，便于移动端部署。
结合图1和图2所示，本发明所揭示的一种基于编码解码结构的轻量级舌体分割方法，包括以下步骤：
S100，采集舌体数据集图像，并对舌体数据集图像中的舌体区域进行标注。
具体地，采集在开放背景下600*600像素的标准图片，并对图片中的舌体区域进行分割标注，舌体区域为值为255，其他区域值为0，得到单通道的灰度图。这里的开放背景是相对于标准背景的，标准背景是指背景在标准环境下，开放背景就没有在标准环境下。另外，这里的标准图片的像素在模型训练之后，应用模型进行分割的图片是不限于600*600像素的。
S200，对舌体数据集图像进行预处理，预处理包括数据集扩增、调整图像属性、镜像处理、扩张与剪裁。
具体地，为增加训练样本数量，提高模型的泛化能力，对数据集中的图像进行扩充预处理，预处理包括：
S201，对数据集的图像进行扩充处理，其中，对数据集的图像进行扩充处理具体步骤如下：
S201a，根据分割标注，将舌体外接框的宽和高两者中较大的一个作为基础边长b，从舌体外接框右上角或左下角取边长为b的正方形区域作为中心框；
S201b，分别从所述中心框向左上、左下、右上、右下延展nb得到边长为(1+n)b的扩充框，其中，n大于0小于1，优选为0.8；
S201c，若图像能取得中心框和所述扩充框，则作为扩充图像数据。
S202，调整图像属性，具体包括：对数据集中每张图片以50％的概率进行亮度、对比度、饱和度和色相的调整，即约一半图片保留原图，约一半图片进行亮度、对比度、饱和度和色相的调整。其中亮度、对比度、饱和度随机在0.7-1.3倍的范围内进行调整，色相随机在±0.075的范围内进行调整。
S203，镜像处理，具体包括：将数据集中的图片R、B、G三个颜色通道数值范围由[0，255]映射到[0，1]，再进行z-score标准化，其中三个颜色通道的mean与std分别为[0.485,0.456,0.406]和[0.229,0.224,0.225]。
S204，扩张与剪裁，具体包括：将镜像处理后的图片线性插值到224*224 分辨率。
S300，设计训练分割网络，采用训练分割网络对舌体数据集图像进行编码和解码，得到图像背景和舌体图像的二分类分割结果。
具体地，参考医学影像分割领域常用的编码解码结构和特征融合方法 (如U-net)，并改进应用构筑轻型网络的深度可分离卷积模块(Mobile-net 系列中使用)，构筑轻量级舌体分割网络，如图3所示。
深度可分离卷积模块由逐点卷积(pointwise-conv)和深度卷积 (depthwise-conv)组成，其中逐点卷积实现通道数量的变换，深度卷积在扩张的通道上实现逐通道卷积运算，相较常规卷积操作大大减少了参数量与计算量。
Figure RE-GDA0002874890610000061
其中，DK·DK·M为卷积核尺寸，N为卷积核数量，DF·DF为特征图大小。相同的输入输出，可分离卷积计算量仅为常规卷积的
Figure RE-GDA0002874890610000062
深度可分离卷积虽然能够有效减少参数数量，但由于pointwise-conv 操作使得模型通道成倍增加，大大增加了模型占用的内存。因此本发明在模型中并没有一味地使用深度可分离卷积，而是在大特征图、少通道时使用传统卷积，以达到占用内存与模型大小的平衡。
具体地，如图4所示，编码侧网络由7个卷积模块构成，共进行4次下采，特征图大小由224*224*3变为14*14*256，实现编码操作；其中，7 个卷积模块中，前4个卷积模块为常规卷积操作，后3个卷积模块为深度卷积操作或逐点卷积和深度卷积的组合操作，每个卷积模块中卷积操作后，进行批标准化和非线性处理，其中，非线性激活函数为ReLU或ReLU6：
ReLU：f(x)＝max(0,x)；
ReLU6：f(x)＝min(6,max(0,x))；
分别在第2、4、5、6个卷积模块进行最大池化操作或卷积步长为2的卷积操作，实现下采样，并复制保留第1、3、4、5个卷积模块输出的特征图，与解码阶段上采的特征图进行特征融合。
如图5所示，解码侧网络由5个卷积模块构成，共进行4次上采，特征图大小由14*14*256恢复为224*224*1，实现舌体区域分割；其中，上采样使用双线性插值，每次插值实现特征图宽高倍增，在插值后，与解码阶段下采的相应特征图进行特征融合，再进行卷积操作；
其中，第1、2个上采卷积模块为逐点卷积和深度卷积的组合操作，剩余模块为常规卷积操作；
模型使用医学影像分割常用的Dice Loss作为损失函数进行网络的训练：
Figure RE-GDA0002874890610000071
式中，|X|+|Y|表示预测分割图像与分割标注图像的总像素数；
Figure RE-GDA0002874890610000072
pij为网络预测像素点为舌体的概率，cij为像素点实际分类(1为舌体，0为其他)，N为图像边长(224)。
通过以上网络结构和策略对数据集进行训练，得到最终的训练分割网络。
S400，对分割后的图像进行处理。
具体地，得到分割图像后，可能会有一些舌外散点，在舌内可能也存在一些孔洞。对分割图像仅保留最大联通区，并对最大联通区的孔洞进行填充，得到唯一且完整的舌体区域。
本发明在保证舌体分割精度的前提下，极大地压缩了模型的大小，提升了模型的速度，便于舌体分割模型在移动端部署。
相较U-net模型，本模型在相近分割精度下，将参数量压缩到其十分之一，同时速度提升超过50％。如下表所示：
Figure RE-GDA0002874890610000081
本发明的技术内容及技术特征已揭示如上，然而熟悉本领域的技术人员仍可能基于本发明的教示及揭示而作种种不背离本发明精神的替换及修饰，因此，本发明保护范围应不限于实施例所揭示的内容，而应包括各种不背离本发明的替换及修饰，并为本专利申请权利要求所涵盖。

Claims (10)

1.一种基于编码解码结构的轻量级舌体分割方法，其特征在于，所述方法包括：
S100，采集舌体数据集图像，并对所述舌体数据集图像中的舌体区域进行标注；
S200，对所述舌体数据集图像进行预处理，所述预处理包括数据集扩增、调整图像属性、镜像处理、扩张与剪裁；
S300，设计训练分割网络，采用所述训练分割网络对舌体数据集图像进行编码和解码，得到图像背景和舌体图像的二分类分割结果；
S400，对分割后的图像进行处理。
2.根据权利要求1所述的一种基于编码解码结构的轻量级舌体分割方法，其特征在于，所述S100包括：采集在开放背景下600*600像素的图片，得到单通道的灰度图，并对图片中的舌体区域进行分割标注。
3.根据权利要求2所述的一种基于编码解码结构的轻量级舌体分割方法，其特征在于，所述S200中，所述数据集扩增过程包括：
S201a，根据分割标注，将舌体外接框的宽和高两者中较大的一个作为基础边长b，从舌体外接框右上角或左下角取边长为b的正方形区域作为中心框；
S202a，分别从所述中心框向左上、左下、右上、右下延展nb得到边长为(1+n)b的扩充框，其中，n大于0小于1；
S203a，若图像能取得所述中心框和所述扩充框，则作为扩充图像数据。
4.根据权利要求3所述的一种基于编码解码结构的轻量级舌体分割方法，其特征在于，所述S200中，所述图像属性包括亮度、对比度、饱和度和色相，图像属性调整过程包括：对数据集中每张图片以50％的概率进行亮度、对比度、饱和度和色相的调整，其中亮度、对比度、饱和度随机在0.7-1.3倍的范围内进行调整，色相随机在±0.075的范围内进行调整。
5.根据权利要求4所述的一种基于编码解码结构的轻量级舌体分割方法，其特征在于，所述S200中，所述镜像处理过程包括：将数据集中的图片R、B、G三个颜色通道数值范围由[0，255]映射到[0，1]，再进行z-score标准化，其中三个颜色通道的mean与std分别为[0.485,0.456,0.406]和[0.229,0.224,0.225]。
6.根据权利要求5所述的一种基于编码解码结构的轻量级舌体分割方法，其特征在于，所述S200中，所述扩张与剪裁包括：将镜像处理后的图片线性插值到224*224分辨率。
7.根据权利要求1所述的一种基于编码解码结构的轻量级舌体分割方法，其特征在于，所述S300中，通过编码解码结构和特征融合方法，结合深度可分离卷积模块构建训练分割网络，所述深度可分离卷积模块由逐点卷积和深度卷积组成，所述逐点卷积进行通道数量的变换，所述深度卷积在扩张的通道上进行逐通道卷积运算。
8.根据权利要求7所述的一种基于编码解码结构的轻量级舌体分割方法，其特征在于，编码侧网络由7个卷积模块构成，共进行4次下采，特征图大小由224*224*3变为14*14*256，实现编码操作；其中，7个卷积模块中，前4个卷积模块为常规卷积操作，后3个卷积模块为深度卷积操作或逐点卷积和深度卷积的组合操作，每个卷积模块中卷积操作后，进行批标准化和非线性处理，其中，非线性激活函数为ReLU或ReLU6：
ReLU：f(x)＝max(0,x)；
ReLU6：f(x)＝min(6,max(0,x))；
分别在第2、4、5、6个卷积模块进行最大池化操作或卷积步长为2的卷积操作，实现下采样，并复制保留第1、3、4、5个卷积模块输出的特征图，与解码阶段上采的特征图进行特征融合。
9.根据权利要求8所述的一种基于编码解码结构的轻量级舌体分割方法，其特征在于，解码侧网络由5个卷积模块构成，共进行4次上采，特征图大小由14*14*256恢复为224*224*1，实现舌体区域分割；其中，上采样使用双线性插值，每次插值实现特征图宽高倍增，在插值后，与解码阶段下采的相应特征图进行特征融合，再进行卷积操作；
其中，第1、2个上采卷积模块为逐点卷积和深度卷积的组合操作，剩余模块为常规卷积操作；
模型使用医学影像分割常用的Dice Loss作为损失函数进行网络的训练：
Figure FDA0002712417570000031
式中，|X|+|Y|表示预测分割图像与分割标注图像的总像素数；
Figure FDA0002712417570000032
pij为网络预测像素点为舌体的概率，cij为像素点实际分类，N为图像边长。
10.根据权利要求1所述的一种基于编码解码结构的轻量级舌体分割方法，其特征在于，所述S400包括：对分割图像保留最大联通区，并对所述最大联通区的孔洞进行填充，得到唯一且完整的舌体区域。
CN202011061022.0A 2020-09-30 2020-09-30 一种基于编码解码结构的轻量级舌体分割方法 Withdrawn CN112365505A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011061022.0A CN112365505A (zh) 2020-09-30 2020-09-30 一种基于编码解码结构的轻量级舌体分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011061022.0A CN112365505A (zh) 2020-09-30 2020-09-30 一种基于编码解码结构的轻量级舌体分割方法

Publications (1)

Publication Number Publication Date
CN112365505A true CN112365505A (zh) 2021-02-12

Family

ID=74507767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011061022.0A Withdrawn CN112365505A (zh) 2020-09-30 2020-09-30 一种基于编码解码结构的轻量级舌体分割方法

Country Status (1)

Country Link
CN (1) CN112365505A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071373A (zh) * 2023-03-01 2023-05-05 南通大学 一种基于融合PCA的U-net模型舌体自动分割方法
CN116797614A (zh) * 2023-03-23 2023-09-22 天津大学 基于CBAUnet的双注意力快速舌轮廓提取方法及***
CN116993737A (zh) * 2023-09-27 2023-11-03 西南科技大学 一种基于卷积神经网络的轻量型裂缝分割方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071373A (zh) * 2023-03-01 2023-05-05 南通大学 一种基于融合PCA的U-net模型舌体自动分割方法
CN116797614A (zh) * 2023-03-23 2023-09-22 天津大学 基于CBAUnet的双注意力快速舌轮廓提取方法及***
CN116797614B (zh) * 2023-03-23 2024-02-06 天津大学 基于CBAUnet的双注意力快速舌轮廓提取方法及***
CN116993737A (zh) * 2023-09-27 2023-11-03 西南科技大学 一种基于卷积神经网络的轻量型裂缝分割方法
CN116993737B (zh) * 2023-09-27 2024-03-29 西南科技大学 一种基于卷积神经网络的轻量型裂缝分割方法

Similar Documents

Publication Publication Date Title
CN108537733B (zh) 基于多路径深度卷积神经网络的超分辨率重建方法
CN112365505A (zh) 一种基于编码解码结构的轻量级舌体分割方法
CN110069958B (zh) 一种密集深度卷积神经网络的脑电信号快速识别方法
CN111161273B (zh) 一种基于深度学习的医学超声图像分割方法
WO2019091459A1 (zh) 图像处理方法、处理装置和处理设备
CN112734646B (zh) 一种基于特征通道划分的图像超分辨率重建方法
CN111951164B (zh) 一种图像超分辨率重建网络结构及图像重建效果分析方法
CN111178499B (zh) 一种基于生成对抗网络改进的医学图像超分辨率方法
CN112801904B (zh) 一种基于卷积神经网络的混合退化图像增强方法
CN111640116B (zh) 基于深层卷积残差网络的航拍图建筑物分割方法及装置
CN111223110B (zh) 一种显微图像增强方法、装置及计算机设备
CN113012140A (zh) 基于深度学习的消化内镜视频帧有效信息区域提取方法
CN113449691A (zh) 一种基于非局部注意力机制的人形识别***及方法
CN115375711A (zh) 基于多尺度融合的全局上下文关注网络的图像分割方法
CN112561791A (zh) 一种基于优化AnimeGAN的图像风格迁移
CN111563843B (zh) 一种图像超分辨重构方法、***及相关装置
CN113409355A (zh) 一种基于fpga的运动目标识别***及方法
CN109583341B (zh) 对包含人像的图像的多人骨骼关键点检测方法及装置
CN114022809A (zh) 基于改进自编码网络的视频运动放大方法
CN112418112A (zh) 一种果园病虫害监测预警方法及***
CN113674154B (zh) 一种基于生成对抗网络的单幅图像超分辨率重建方法及***
CN114742760A (zh) 一种x光片桡骨远端骨折自动快速诊断方法
CN110489584B (zh) 基于密集连接的MobileNets模型的图像分类方法及***
CN111435448B (zh) 图像显著性物体检测方法、装置、设备及介质
CN116152504B (zh) 图像分割方法、装置、电子设备及存储介质

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210212