CN113808057B 基于无监督学习的内窥镜图像增强方法 （上海大学）_第1页
CN113808057B 基于无监督学习的内窥镜图像增强方法 （上海大学）_第2页
CN113808057B 基于无监督学习的内窥镜图像增强方法 （上海大学）_第3页
CN113808057B 基于无监督学习的内窥镜图像增强方法 （上海大学）_第4页
CN113808057B 基于无监督学习的内窥镜图像增强方法 （上海大学）_第5页
已阅读5页，还剩17页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

本发明涉及一种基于无监督学习的内窥镜处理原始图像得到三张派生图；(2)将原始图像道图像不变，将派生图的I通道图像输入无监督训练后得到的训练参数，得到I通道图像增强结不需要groundtruth作为参考图像，通过non_reference损失函数实现网络的训练。该方法较2步骤2：将原始内窥镜图像和其对应的派生图转换到HSI颜色空间，保持H通道图像不合和重建；将数据集中的派生图的I通道图像输入无监督学习网络DerivedFuse进行训练，f表示实际从DerivedFuse输出的融合图像中同一空间位置提取的图像patch，生图n在HSI颜色空间I通道图像中的相同空间位置提取的输入图像patchesin可由公式2nnn和sn分别为了获得高对比度的融合图像，选取HSI颜色度作为if的期望contrast的详细表达式为了融合CLAHE派生图和LIME派生图的纹理结构信息，期望的structure的详细表达3为了获得高亮度的融合图像，选取HSI颜色i,i的详细表达式如下：述步骤3的I通道图像增强结果包括如下具体述步骤4的自适应非线性拉伸包括如下具体45[0018]2_3：目标函数为non_reference损失函数，其值受输入网络图像的luminance，[0025]4_2：对原始内窥镜图像在HSI颜色空间S通道图像信息SOrigin[0034]图5为本发明方法训练的网络模型对内窥镜图像数据集的预测得到增强结果图与6[0046]本发明提出的DerivedFuse网络模型主要由特征提取、特征融合和重建3部分组[0048]特征融合模块简单地通过融合层将多个特征图各个像素相加来组合各个特征道数为1，大小为256×256的亮度图。7层下采样卷积层使用4×4的卷积核，stride为2，7[0050]2_3：目标函数为non_reference损失函数，其值受输入网络图像的luminance，[0053]其中，if表示实际从DerivedFuse输出的融合图像中同一空间位置提取的图像则派生图n在HSI颜色空间I通道图像中的相同空间位置提取的输入图像patchesin可由公对比度作为if的期望contrasti,i的详细表达式如下：[0060]为了融合CLAHE派生图和LIME派生图的纹理结值作为if的期望luminancei,i的详细表达式如下：8[0071]4_2：对原始内窥镜图像在HSI颜色空间S通道图像信息SOrigin三通道各像素点的像素值总和除以图像总的像素点数来ETIS_LaribPolypDB、CVC_EndoSceneStill以及CVC_ClinicSpec选取一部分图像来进行网络效率的验证。采用本发明方法对内窥镜图像进行增强处理，并与直方图均衡化算法9对比结果可以看出，本发明方法处理内窥镜图像对于图像纹理细节的增强效果更加优秀，

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论