收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

从自然图像到多光子医学图像超分辨率方法研究

林贵敏  
【摘要】:高分辨率图像因其具有更丰富的细节信息,在安防监控、医学诊断、生命科学研究、农作物遥感监测等应用领域发挥着重要的作用。但由于实际成像过程中受到光学器件分辨率极限的制约、成像系统中电路系统的噪声干扰,以及光电转换过程中采样等因素的影响,获得的图像往往无法达到实际应用的高分辨率的要求。图像超分辨率重建的目的就是从一张或多张退化的低分辨率图像恢复出一张高分辨率的图像。通过图像的超分辨率重建改善图像的视觉效果,可以有效提高机器视觉算法在一些应用领域中的表现,如提高人脸识别率、提高图像语义分割的准确率、提高计算机医疗辅助系统的正确诊断率等。图像超分辨率重建已成为计算机视觉领域的一个研究热点。多光子显微成像技术是利用激光与生物组织相互作用发出的多光子激发荧光和二次谐波信号进行成像,可以突破传统光学系统的衍射极限,已成为生命科学和生物医学等领域的重要工具。但多光子显微成像容易受到样品本身对光的吸收和散射,以及光路系统较为复杂等因素的影响而使采集到的图像视觉效果较差,因此多光子医学图像超分辨率重建的研究具有重要意义。受益于GPU和大数据的快速发展,深度学习在多个计算机视觉领域的成功应用引起了人们的广泛关注。本课题通过分析多光子显微成像系统的基本原理,提出多光子医学图像的退化模型,并通过分析自然图像和多光子医学图像的退化模型,发现两者有较多的相同之处。因此,我们以基于深度学习的图像超分辨率重建方法为研究主线,从提高自然图像超分辨率着手探索有监督的、无监督的学习方法,进而探索多光子医学图像的超分辨率重建与增强方法等,主要工作包括:1、基于深度卷积网络,提出一种融合上采样与去模糊过程的图像超分辨率方法。针对自然图像的退化过程中不仅存在重采用的分辨率下降问题,还存在失焦等模糊问题,提出一种融合重建与去模糊的超分辨率方法,且可以端到端地进行训练。首先研究卷积网络在图像重建过程中每个卷积层所起的作用,在正确理解卷积网络的工作原理后,提出用不同参数的Gabor滤波器初始化网络的第一层,其它各层用高斯分布随机初始化。经过实验对比,我们提出的初始化方法明显加快了模型的收敛;另外,将图像重建过程与去模糊过程统一到一个框架后,重建的图像质量也有一定的改善。更重要的是,虽然训练的图像集中未加入模糊干扰,但优化后的模型仍具有较强的去模糊能力。此部分的相关成果发表在International Conference on Intelligent Computing.Springer,Cham,2017:338-344.(EI收录)2、基于空洞卷积神经网络,提出一种可快速扩大网络感受野及支持多种倍数重建的图像超分辨率方法。图像超分辨率重建时若能有效利用更大范围的相邻像素间的信息则重建的图像质量更好,为此提出一种有效扩大神经网络感受野的图像超分辨率方法,以及支持多种放大倍数的超分辨率方法。本方法利用空洞卷积可以指数级扩大网络感受野的优势,通过合理设计各个空洞卷积层的空洞率,本方法构造的高分辨率图像在量化指标和视觉效果方面都有显著的提升。针对不同的放大倍数需要重新训练一次模型的问题,提出一种级联的卷积网络模型,将多个相同的子网络级联起来,经过一次训练优化后,即可同时支持多个不同的放大倍数。实验结果表明,级联的模型可大幅提升重建图像的质量。此部分的相关成果发表在Neurocomputing,2018,275:1219-1230.(SCI-Ⅱ,IF:3.317)3、基于生成对抗网络,提出一种无监督学习的图像超分辨率方法。基于样本学习的重建方法大多离不开配对的高、低分辨率图像样本,在没有配对的训练样本情况下解决超分辨的重建问题具有很大的挑战。针对没有配对样本的情况,提出一种基于生成对抗网络的无监督学习方法实现图像的超分辨率重建。本方法利用对抗网络架构中的判别网络从合成图像与原始高清图像中学习原始高清图像的流形信息,辅助生成网络合成更逼真的图像。训练生成网络时只有退化后的低分辨率图像,为了让生成网络合成的图像与输入的低分辨率图像具有一致的几何结构,根据图像退化模型我们研究了几种不同的图像下采样方法,并提出一种混合正则化模型约束合成的图像,以确保合成的图像既有清晰的边缘结构又有自然的平滑区域。实验结果表明,本方法重建的图像与有监督学习的方法重建的图像在定性与定量方面都具有可比性。此部分的相关成果发表在Signal Processing:Image Communication,2018,68:88-100.(SCI-Ⅲ,IF:2.244)4、基于残差模块,提出一种残差学习的多光子医学图像超分辨率方法。多光子成像系统的光路较为复杂,采集的图像质量容易受到样品的内部组织及系统中光路的影响。在对自然图像超分辨率重建的多重研究基础上,分析多光子医学图像与自然图像在退化模型上的异同,根据Retinex视觉增强理论提出一种实现多光子医学图像超分辨率重建与增强的方法。本方法将重建与增强融合在一个统一的框架中,可实现端到端的训练。为研究自然图像超分辨率重建的方法在多光子图像上的重建效果,我们重新训练前文提出的两个模型,实验表明前文研究的方法可迁移到多光子医学图像,但因多光子医学图像的退化模型更为复杂,前文设计的模型较为小巧,非线性映射能力略显不足。为此我们采用残差模块,加深网络层数提升模型的映射能力,并根据多光子图像特点设计了新的模型。我们还将所设计的新模型与2017年自然图像超分辨率重建竞赛冠军的EDSR进行对比。实验结果表明,本方法对多光子医学图像的超分辨率重建与增强有明显的优势。部分相关成果已发表在Neurophotonics,6(4),045008(2019)(SCI-Ⅱ,IF:3.581)和Journal of Biophotonics(SCI-Ⅱ,IF:3.763)。


知网文化
【相似文献】
中国期刊全文数据库 前12条
1 葛生国;范宝杰;尹哲;;基于生成对抗网络的研究综述[J];电脑知识与技术;2019年25期
2 管绍春;向宇;;基于生成对抗网络的服装图像风格迁移[J];电脑知识与技术;2019年26期
3 马乐;陈峰;李敏;;基于改进生成对抗网络的红外图像超分辨率重建[J];激光与红外;2020年02期
4 毕晓君;潘梦迪;;基于生成对抗网络的机载遥感图像超分辨率重建[J];智能系统学报;2020年01期
5 刘永信;段添添;;基于深度学习的图像超分辨率重建技术的研究[J];科技与创新;2018年23期
6 王冬冬;王力;姜敏;王可新;栾浩;;改进的生成对抗网络的图像超分辨率重建[J];计算机工程与设计;2020年07期
7 杨传栋;陈栋;刘桢;张晓龙;王昱翔;;一种基于深度学习的图像去雾方法[J];兵器装备工程学报;2019年10期
8 邢岐荣,傅便翔;第五届全国光子生物学和光子医学学术研讨会圆满结束[J];光电子·激光;1997年05期
9 丁明航;邓然然;邵恒;;基于注意力生成对抗网络的图像超分辨率重建方法[J];计算机系统应用;2020年02期
10 代强;乔焰;程曦;朱诚;;基于深度学习的农作物病害叶片的图像超分辨率重建[J];黑龙江八一农垦大学学报;2020年02期
11 贺智;贺丹;;基于深度学习的高分四号卫星图像超分辨率重建[J];遥感学报;2020年12期
12 甄雪艳;何宁;孙欣;;基于改进的卷积神经网络的图像超分辨率重建[J];计算机工程与设计;2020年03期
中国重要会议论文全文数据库 前14条
1 林国强;王博;孔英会;胡启杨;;基于压缩感知的变电站巡检图像超分辨率重建[A];第37届中国控制会议论文集(F)[C];2018年
2 姜倩茹;白煌;;基于双字典设计的图像超分辨率重构[A];信号处理在生仪2014学术年会论文集[C];2014年
3 杨浩;高建坡;陈向东;吴镇扬;;利用示例图像获取先验知识的图像超分辨率重建算法[A];第一届中国高校通信类院系学术研讨会论文集[C];2007年
4 张东;韩军;;图像超分辨率重建算法研究[A];2010年西部光子学学术会议摘要集[C];2010年
5 姚勤炜;陈华杰;张杰豪;侯新雨;;基于反馈调节的生成对抗网络训练方法[A];信号处理在地球物理——浙江省信号处理学会2018年学术年会论文集[C];2018年
6 阮小燕;陈向宁;高孟男;;基于相位相关法与小波变换的图像超分辨率重建[A];中国电子学会第十六届信息论学术年会论文集[C];2009年
7 张煜东;吴乐南;奚吉;王水花;;变长小生境算法用于图像超分辨率复原[A];2009年通信理论与信号处理学术年会论文集[C];2009年
8 闫允一;郭宝龙;;基于小波的图像超分辨率重建算法研究[A];第三届全国数字成像技术及相关材料发展与应用学术研讨会论文摘要集[C];2004年
9 张琼;付怀正;沈民奋;;基于稀疏表示的彩色图像超分辨率重建算法[A];第十五届全国图象图形学学术会议论文集[C];2010年
10 姚林;;基于双边滤波插值图像超分辨率重建算法研究[A];云南省测绘地理信息学会2015年学术年会论文集[C];2015年
11 胡勇;郭冬发;谢胜凯;;基于深度学习结合质谱数据采集的土壤归属地分析研究[A];第三届全国质谱分析学术报告会摘要集-分会场6:无机质谱[C];2017年
12 周矗;施柏鑫;许超;;基于生成对抗网络的运动模糊消除算法[A];第十三届全国信号和智能信息处理与应用学术会议论文集[C];2019年
13 徐梦洋;;基于深度学习的行人再识别研究综述[A];中国计算机用户协会网络应用分会2018年第二十二届网络新技术与应用年会论文集[C];2018年
14 韩玉兵;殷玮玮;吴乐南;;基于Wavelet-HMM的图像超分辨率重建[A];第一届建立和谐人机环境联合学术会议(HHME2005)论文集[C];2005年
中国博士学位论文全文数据库 前20条
1 林贵敏;从自然图像到多光子医学图像超分辨率方法研究[D];福建师范大学;2019年
2 郑虹;多对比度磁共振大脑图像超分辨率算法研究[D];厦门大学;2018年
3 邱康;基于机器学习的图像超分辨率重建关键技术研究[D];武汉大学;2018年
4 李莹华;基于压缩感知的图像处理方法及应用研究[D];西安电子科技大学;2019年
5 王新华;面向复杂场景的图像处理技术若干问题研究及其在计算光学成像系统中的应用[D];吉林大学;2019年
6 熊东平;基于边缘增强和深度学习的图像超分辨率重建方法研究[D];华中科技大学;2019年
7 张凤珍;分离字典优化及其在图像处理中的应用[D];北京交通大学;2018年
8 肖斐;图像超分辨率与基于目标模型的目标识别方法研究[D];华中科技大学;2017年
9 唐永亮;单幅图像超分辨率重建方法研究[D];重庆大学;2018年
10 岳波;基于学习的图像超分辨率重建方法研究[D];西安电子科技大学;2018年
11 孙镱诚;基于压缩感知的图像超分辨率重建方法研究[D];南京理工大学;2018年
12 魏烨;单幅图像超分辨率重建方法及其视觉位移测量应用研究[D];中国科学技术大学;2019年
13 翟海天;图像超分辨率重建关键技术研究[D];西北工业大学;2016年
14 查志远;基于稀疏表示与低秩模型的图像复原算法研究[D];南京大学;2018年
15 徐向阳;RGB-D图像内容分析关键技术研究[D];南京大学;2018年
16 范亚茹;基于稀疏优化的图像与信号处理方法及其应用[D];电子科技大学;2018年
17 张新;图像处理中超分辨率与修复方法的研究[D];山东大学;2018年
18 程培涛;基于学习的单幅图像超分辨率重建方法研究[D];西安电子科技大学;2017年
19 徐海明;图像超分辨率重建关键技术的基础研究[D];中国科学技术大学;2013年
20 张剑;图像超分辨率重建问题研究[D];中南大学;2010年
中国硕士学位论文全文数据库 前20条
1 李建雄;基于深度学习的图像超分辨率研究[D];华南理工大学;2020年
2 倪若婷;人脸图像超分辨率重建优化方法研究与应用[D];江苏大学;2020年
3 杜变丽;基于深度学习的视频图像超分辨率及去模糊技术研究[D];西北师范大学;2020年
4 刘洋;基于生成对抗网络的图像超分辨率重构算法研究[D];湖南师范大学;2020年
5 毕玉萍;基于改进的生成式对抗网络的图像超分辨率重建算法研究[D];青岛大学;2020年
6 鲁甜;基于深度学习的图像超分辨率重建研究[D];华中师范大学;2020年
7 袁飘逸;基于深度学习的图像超分辨率重建算法研究[D];云南师范大学;2020年
8 张海程;基于端对端深度学习的图像超分辨率方法研究[D];山东工商学院;2020年
9 程悦;感知质量提高的图像超分辨率重建研究[D];西北大学;2020年
10 王超;基于多特征融合学习的图像超分辨率算法[D];山东师范大学;2020年
11 王慧云;基于深度学习的图像超分辨率重建[D];电子科技大学;2020年
12 吴荣贵;基于深度学习的图像超分辨率重建研究[D];中国科学院大学(中国科学院光电技术研究所);2020年
13 李彭健;基于生成对抗网络的图像超分辨率研究[D];湖南师范大学;2020年
14 杨宏业;卷积神经网络的多光谱遥感图像超分辨率重建[D];中国矿业大学;2020年
15 吴磊;基于深度学习的图像超分辨率重建及应用[D];合肥工业大学;2020年
16 张彤;基于深度学习的图像超分辨率重构研究[D];长沙理工大学;2019年
17 吴洁;基于深度学习的图像超分辨率重建技术研究[D];天津大学;2018年
18 晁杰;基于生成对抗网络的图像超分辨率重建[D];中国矿业大学;2020年
19 杨悦;基于深度学习的图像超分辨率重建算法[D];合肥工业大学;2020年
20 刘璟;基于深度学习的单张图像超分辨率算法研究[D];华东师范大学;2020年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978