【《医学图像去烟去雾模型的建立案例分析》3600字】_第1页
【《医学图像去烟去雾模型的建立案例分析》3600字】_第2页
【《医学图像去烟去雾模型的建立案例分析》3600字】_第3页
【《医学图像去烟去雾模型的建立案例分析》3600字】_第4页
【《医学图像去烟去雾模型的建立案例分析》3600字】_第5页
已阅读5页,还剩7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

14医学图像去烟去雾模型的建立案例分析目录TOC\o"1-3"\h\u11340医学图像去烟去雾模型的建立案例分析 1296161.1数据集处理和实现 1187191.2AOD-Net 3298711.2.1物理模型介绍及简单公式推导 387921.2.2网络设计 4113881.3损失函数及评价指标 5102771.3.1损失函数 5114181.3.2评价指标 5102061.4模型结果与分析 639281.1.1训练结果 6131911.1.2测试结果评价分析 7173661.1.3模型结果分析 121.1数据集处理和实现本系统选用基于深度学习的AOD-Net算法作为训练和测试的模型。处理对象为图片。所以,上面提到的Hamlyn中心腹腔内窥镜视频数据集中的数据并不能被直接使用。需要先对数据进行处理。这里,针对数据集,我的处理步骤如下:第一步:从视频中提取清晰的图片。图1.1提取清晰的图片示例图第二步:针对清晰的图片,人工加上1到4层不同浓度的雾作为人工合成烟雾训练数据集。图1.2合成烟雾图片示例图第三步:分别对图片重命名,方便算法识别对应不用图片进行针对性训练。图1.3命名后图片列表示例图最终,共提取出来清晰不含雾图片2304张,得到人工合成烟雾训练图片9216张。AOD-Net模型会对图片数据进行多次训练,以此来不断的学习处理训练数据中包含的烟雾,然后根据得到的训练参数对测试集的数据图片做出比较准确的去雾。如果把所有的样本都作为训练集来放入模型中训练的话,最后生成的预测模型会经常发生过拟合状况,而我们知道,过拟合的模型在对含雾数据进行处理的时候去雾效果会比较差。此时就需要将一部分图片样本划分成测试集用来训练好模型后测试是否可以达到预测验证集数据效果。所以,本人按照了70%、17.5%、12.5%的比例,对处理好的图片数据集进行划分。即训练所用到的图片占70%,验证所用到的图片占17.5%,测试所用到的图片占12.5%。这样,训练集与验证集所含图片的比例是4:1,这样设置是因为训练集中有四个不同等级含雾浓度的数据。训练集来对模型进行训练,验证集用来检验模型的去雾效果,达到建立一个有更好去烟去雾效果的模型的效果。1.2AOD-Net1.2.1物理模型介绍及简单公式推导基于大气散射的物理模型是含雾图片生成理论中的典型。基于大气散射模型的含雾图像I(x)可以用公式(1.1)所示的形式来表达:I(x)=J(x)t(x)+A(1−t(x))(1.1)其中,x是I(x)中的某一像素点,I(x)是经过大气粒子散射到达传感器的有雾图像,J(x)是未被大气粒子散射之前的清晰无雾图像,A是大气光照,t(x)是场景透射率,可以用公式(1.2)所示的形式来表达:tx=e−βd(x) 其中β和d(x)分别表示大气散射系数以及场景深度(物体和相机之间的距离)。通过对上面的公式(1.1)和公式(1.2)进行代入和变换,得到变换后的公式(1.3):Jx=1txIx目前的现有的基于大气散射模型的算法设计基本遵循如下三个相同的流程:1)为从含雾图像I(x)中估计场景透射率t(x),使用复杂的深度模型;2)使用一些经验方法估计A;3)通过公式(1.3)估计清晰图像J(x)。通过这个流程得到的结果往往是不精确的次优解。当将它们组合在一起计算(3)时,对t(x)和A的单独估计将导致误差累积甚至放大。我们的核心思想是将两个参数t(x)和A统一为一个公式,可以得到K(x):Kx=1txIx其中,b为常数。将大气光照值A视为常数,则上式(1.4)可以改写成如下形式:J(x)=K(x)I(x)−K(x)+b (1.5)以这种方式,t(x)和A都被集成到新变量K(x)中。b是默认值为1的恒定偏差。由于K(x)依赖于I(x)。因此我们的目标是构建输入自适应深度模型,其参数将随输入有雾图像而变化,从而最小化输出J(x)和清晰图像之间的重建误差。1.2.2网络设计AOD-Net模型主要是由两个部分组成,如图1.1.1所示:分别为K估计模块和清晰图像生成模块。K估计模块的功能是从输入I(x)中估计K(x)来;清晰图像生成模块则是以K(x)作为其输入自适应参数来估计J(x),从而最终得到清晰的图像。图1.1.1AOD-Net算法总体框架图图1.1.2AOD-Net算法K估计模块详细结构图在AOD-Net模型中,K估算模块是关至关重要的部分,任务是负责估算出来雾的深度和相对浓度水平作为后续算法去雾的重要指标。如图1.1.2所示,使用了五个卷积层,并通过融合不同大小的卷积核形成多尺度特征。使用具有不同卷积核尺寸的并行卷积,将粗尺度网络特征与细尺度网络的中间层连接起来。详细的具体介绍,AOD-Net网络的“concat1”层连接了从“conv1”和“conv2”得到的特征。“concat2”连接从“conv2”和“conv3”得到的特征;“concat3”连接从“conv1”,“conv2”,“conv3”和“conv4”得到的特征。AOD-Net网络用以上描述的多尺度设计来捕获不同尺度得到的特征,而且通过中间连接的部分还补偿了卷积期间出现的损失的信息。因为AOD-Net网络的每个卷积层只使用三个滤波器,所以与目前较成熟的其他深度学习算法相比,AOD-Net网络显得更加的轻量化。在K估计模块之后,清晰图像生成模块由一个element-wise的乘法层和几个element-wise的加法层组成,以便通过公式(1.5)生成恢复的图像。1.3损失函数及评价指标1.3.1损失函数本模型中,使用均方差(MSE)作为损失函数。均方差在数理统计中是指参数的估计值与参数的实际值之间差的平方的期望值,记为MSE。它是一种衡量“均误差”比较便捷的方法,MSE是一个用来评价数据的变化程度的参考值。当它的值越小的时候,说明预测模型描述实验结果的图片具有更好的精确度。以MSE作为损失函数,不仅提升了峰值信噪比(PSNR),还提升了结构相似性(SSIM)以及得到去雾图片的视觉质量。MSE公式如下(1.6):MSE=1H×Wi=1Hi=1W(X其中,H表示图片的高度。W表示图片的宽度。X表示处理后的图片。Y表示参考图片。1.3.2评价指标1、PSNRPSNR(PeakSignaltoNoiseRatio)表示峰值信噪比[34]。是基于全参考的图像质量评价指标。PSNR公式如下(1.7):PSNR=10log10(2n−1)2MSE 在上面的式中,n为表示每像素的比特的位数。彩色RGB图像数值一般取8,来代表图像中每个像素的灰阶数是256。dB是PSNR的单位,当得到的PSNR的值越大,代表图片失真度越小,去雾效果越好。2、SSIMSSIM(structuralsimilarity)表示结构相似性[34]。也是基于全参考的图像质量评价指标。它从下面三个角度来度量图片之间的相似性,分别是亮度l、对比度c和结构s:l(X,Y)=2μXμY+C1μXc(X,Y)=2σXσY+C2σXs(X,Y)=σXY+C3σXσY其中μX表示图片X的均值;μY表示图片Y的均值。σX表示图片X的方差;σY表示图片Y的方差。SSIM(X,Y)=l(X,Y)·c(X,Y)·s(X,Y) (1.11)SSIM的取值范围是[0,1]。当SSIM取得的值越趋近于1的时候,代表图片的失真程度越小,去雾效果越好。1.4模型结果与分析1.1.1训练结果 1、损失函数损失函数曲线如图1.1所示。横轴表示权值学习迭代次数,纵轴表示loss函数的值。由图像可知,在权值学习迭代次数进行约20次之后,损失函数迅速收敛,AOD-Net模型在训练数据集上的误差在迅速减小并稳定在(0,0.01]之间,因为训练数据集数量较大,所以并没有出现过拟合的情况,训练效果较好。图1.1损失函数曲线图 2、训练效果展示训练过程中,我输出了一些训练过程中的效果图。效果展示如图1.2所示。图1.2训练效果展示图1.1.2测试结果评价分析测试过程,我分别用模型测试了含有4种不同浓度的数据集图片,得到的效果展示以及评价指标数据如下:一级烟雾浓度(β设置为0.01)对比效果如下图1.3所示。图1.3一级烟雾图片效果对比图图片样本选取了21个,得到评价指标如下表1.1所示。表1.1一级烟雾浓度图片去雾效果评价指标表图片名称PSNRSSIM000000.png22.653912820.918781946000001.png22.640469150.91860234000002.png22.586137940.918786882000003.png22.427933740.93427234000001.png22.377722160.933834712000005.png22.199174760.933744985000006.png20.083035120.933472717000007.png20.010327530.93302033000008.png19.994138310.932594377000009.png21.619391780.8722407000010.png21.508310360.872356025000011.png21.48046570.872135034000012.png21.377662040.876855711000013.png21.279736630.877858589000011.png21.299974520.881537541000015.png21.290092340.877582347000016.png21.264627190.877256782000017.png21.183171030.876249966000018.png21.154314640.875945541000019.png21.04619080.875585945000020.png20.990019640.875089869Average21.450800390.89846689二级烟雾浓度(β设置为0.03)对比效果如下图1.4所示。图1.4二级烟雾图片效果对比图图片样本选取了21个,得到评价指标如下表1.2所示。表1.2二级烟雾浓度图片去雾效果评价指标表图片名称PSNRSSIM000000.png21.905854380.90320088000001.png21.931211650.90349905000002.png21.983730790.90460938000003.png25.050778710.9543002000001.png25.060473610.95441457000005.png25.139044980.95587168000006.png21.177636120.95682271000007.png21.143306540.95690597000008.png21.139485820.95691518000009.png22.584107990.88701891000010.png22.620346150.88817016000011.png22.611512050.88836009000012.png22.740414680.89369767000013.png22.76351570.89489215000011.png22.867460360.89997091000015.png22.731293840.89572299000016.png22.742478720.89574065000017.png22.643400760.89399499000018.png22.615089930.89366963000019.png22.575394950.89370547000020.png22.53844120.89254753Average23.122141850.91257289三级烟雾浓度(β设置为0.05)对比效果如下图1.5所示。图1.5三级烟雾图片效果对比图图片样本选取了21个,得到评价指标如下表1.3所示。表1.3三级烟雾浓度图片去雾效果评价指标表图片名称PSNRSSIM000000.png15.187401850.807329517000001.png15.233025440.808596429000002.png15.324181040.811311004000003.png17.083124030.88599271000001.png17.180519590.887180381000005.png17.412047890.892424984000006.png17.899499020.907189615000007.png18.009201180.908772927000008.png18.115375390.909579259000009.png16.523272110.829877486000010.png16.67980190.832905049000011.png16.724431110.834006749000012.png16.973802480.842008383000013.png17.019584080.84239487000011.png17.195915270.850630298000015.png17.206037360.846477423000016.png17.284601590.847112715000017.png17.266529520.845000935000018.png17.340699090.84572027000019.png17.420771940.84731564000020.png17.4856970.846038576Average16.979310420.853707868四级烟雾浓度(β设置为0.08)对比效果如下图1.6所示。图1.6四级烟雾图片效果对比图图片样本选取了21个,得到评价指标如下表1.4所示。表1.4四级烟雾浓度图片去雾效果评价指标表图片名称PSNRSSIM000000.png9.9429591760.66828275000001.png9.9878255610.670687482000002.png10.076262680.674954231000003.png11.352645980.751952034000001.png11.4458920.754098649000005.png11.650765750.763360256000006.png12.026004870.798255555000007.png12.128295560.801673814000008.png12.228834460.803346064000009.png11.227639580.722080767000010.png11.381305550.727202799000011.png11.428954020.729929108000012.png11.663093120.740107654000013.png11.688331270.741021629000011.png11.8578

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。

评论

0/150

提交评论