G显带染色体HDR图像重建方法技术

本发明专利技术涉及图像处理技术领域，公开了一种G显带染色体HDR图像重建方法，包括去量化网络、线性化网络、细节重构网络三个模型的训练步骤，以及利用训练好的模型重建HDR图像的步骤。本发明专利技术设计了去量化网络、线性化网络以及细节重构网络三个神经网络模型，并利用实际的G显带染色体HDR图像和相应的真实的LDR图像组成训练集，完成了三个神经网络模型的训练；之后利用训练好的模型对真实的LDR图像进行去量化、线性化以及过度曝光区域细节重构三个步骤，最终完成了G显带染色体HDR图像重建的任务；本发明专利技术只通过一张LDR图像来完成HDR图像的重建，使G显带染色体特征更明显，方便后续的分析，并且重建的HDR图像不会出现伪影，图像的质量更高。量更高。量更高。

【技术实现步骤摘要】
G显带染色体HDR图像重建方法


[0001]本专利技术涉及图像处理
，尤其涉及了一种G显带染色体HDR图像重建方法。

技术介绍

[0002]G显带染色体图像的质量会严重影响染色体G显带核型分析的效果，通常质量更高的G显带染色体图像能提供更多的染色体结构信息和纹理信息，有着更重要的临床应用价值。
[0003]为了获取更高质量的G显带染色体图像，通常采用效果更好的制片方法来进行G显带染色体样本制片，而采用高分辨染色体制片方法通常比采用中低分辨染色体制片方法能够获得更明显的染色体细节。随着数字图像技术的进步，通过数字摄像机采集G显带染色体样本的数字图像能够更方便、高效的对样本图像进行处理，但是受到数字摄像机参数的影响，通常采集到的染色体样本图像动态范围较低，容易在样本过亮和过暗的位置出现染色体细节信息丢失的情况，影响成片的质量。
[0004]高动态范围(High Dynamic Range,HDR)的G显带染色体图像一般比低动态范围(Low Dynamic Range,LDR)的图像包含更多的染色体细节。创建HDR图像最常用的技术是：融合多张不同曝光程度的LDR图像，这种技术在静态场景中表现得很好，但在动态场景或手持相机中经常会出现重影现象，为了处理动态场景，需要LDR图像对齐和后处理来最小化伪影；或是利用卷积神经网络来融合多张对齐的LDR图像或未对齐的LDR图像进行合成HDR图像，但因为HDR像素(32位)的变化明显大于LDR像素(8位)的变化，因此直接学习LDR-HDR映射关系是困难的。上述这些方法均依赖于同一时刻对样本进行多次不同曝光并收集一组LDR图像，然后根据该组LDR图像合成HDR图像，这样的方式容易造成合成的HDR图像中染色体伪影，且无法实现单张LDR图像完成HDR图像的重建任务。

技术实现思路

[0005]本专利技术针对现有技术中无法采用单张LDR图像完成HDR图像重建且会造成伪影的缺点，提供了一种G显带染色体HDR图像重建方法，能够利用单张低动态范围的G显带染色体图像重建高动态范围图像，同时可避免合成HDR图像时产生染色体伪影的问题。
[0006]为了解决上述技术问题，本专利技术通过下述技术方案得以解决：
[0007]G显带染色体HDR图像重建方法，包括去量化网络、线性化网络、细节重构网络三个模型的训练步骤，以及利用训练好的模型重建HDR图像的步骤；其中利用训练好的模型重建HDR图像的步骤如下：
[0008]S1：首先读取真实的LDR图像I并采用训练好的去量化网络减少量化过程中产生的伪影，生成去量化LDR图像
[0009]S2：采用Sobel滤波器从去量化LDR图像中提取边缘和直方图特征，然后将提取到的边缘和直方图特征输入到训练好的线性化网络中预测出K个主成分分析权重，并构建
相机响应逆向函数，最后利用相机响应逆向函数获得线性化LDR图像
[0010]S3：采用训练好的细节重构网络对线性化LDR图像中过度曝光的部分进行细节重构，并利用过度曝光部分的软掩码图将细节重构网络预测的残差图像和线性化LDR图像平滑的融合，最终获得重建的HDR图像完成G显带染色体HDR图像的重建工作。
[0011]进一步地，去量化网络、线性化网络、细节重构网络三个模型的训练步骤如下：
[0012]S01：将去量化网络的输出融合到输入的LDR图像I上，以生成去量化LDR图像并通过最小化LDR图像和相应的LDR图像I之间的L
deq
损失函数来训练去量化网络的模型；
[0013]S02：采用Sobel滤波器从经去量化LDR图像中提取边缘和直方图特征；
[0014]S03：将提取的边缘和直方图特征输入线性化网络，线性化网络生成K个PCA权重来重构一个相机响应逆向函数；最后利用相机响应逆向函数获得线性化LDR图像定义线性化网络损失函数L
lin
以及ICRF重构损失函数L
crf
，并通过优化L
lin
+λ
crf
L
crf
来训练线性化网络的模型；
[0015]S04：在细节重构网络的末端添加ReLU层来构建神经网络并预测正残差，并通过最小化损失函数L
hal
来训练细节重构网络的模型；
[0016]S05：通过最小化损失函数L
total
来对去量化网络、线性化网络以及细节重构网络一起进行组合微调。
[0017]进一步地，步骤S01中，去量化网络采用一个6级U-Net网络结构，每一级U-Net网络结构由两个经过leaky ReLU函数(α＝0.1)激活后的卷积层构成，并采用Tanh激活层来将去量化网络输出的结果规范化到[-1.0,1.0]当中。
[0018]进一步地，步骤S01中，去量化网络的损失函数L
deq
为其中I是从输入的LDR图像上采用动态范围剪裁和非线性映射来获得的。
[0019]进一步地，S02步骤中，提取边缘和直方图特征时得到6个特征图h，每个特征图由以下公式获得：其中i，j分别表示水平和垂直方向像素的位置，c表示颜色通道的索引，b∈{1，
···
，B}表示直方图像素，d是图像上c通道中第(i,j)个像素点到第b个像素中心的强度距离。
[0020]进一步地，S03步骤中，采用ResNet-18作为线性化网络的主干网络。
[0021]进一步地，S03步骤中，线性化网络损失函数L
lin
为ICRF重构损失函数L
crf
为其中，I
c
表示从真实HDR图像经过动态范围裁剪处理获得的线性化图像，g表示真实的相机响应逆向函数，表示重构后的相机响应逆向函数。
[0022]进一步地，S03步骤中，权重λ
crf
设置为0.1。
[0023]进一步地，S04步骤中，损失函数L
hal
为其中为细节重构后
的HDR图像，H表示真实的HDR图像。
[0024]进一步地，S05步骤中，损失函数L
total
为
[0025]L
total
＝λ
deq
L
deq
+λ
lin
L
lin
+λ
crf
L
crf
+λ
hal
L
hal
，其中λ
dep
＝1，λ
lin
＝10，λ
crf
＝1，λ
hal
＝1。
[0026]本专利技术由于采用了以上技术方案，具有显著的技术效果：
[0027]设计了去量化网络、线性化网络以及细节重构网络三个神经网络模型，并利用实际的G显带染色体HDR图像和相应的真实的LDR图像组成训练集，完成了三个神经网络模型的训练。之后利用训练好的模型对真实的LDR图像进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.G显带染色体HDR图像重建方法，其特征在于，包括去量化网络、线性化网络、细节重构网络三个模型的训练步骤，以及利用训练好的模型重建HDR图像的步骤；其中利用训练好的模型重建HDR图像的步骤如下：S1：首先读取真实的LDR图像I并采用训练好的去量化网络减少量化过程中产生的伪影，生成去量化LDR图像S2：采用Sobel滤波器从去量化LDR图像中提取边缘和直方图特征，然后将提取到的边缘和直方图特征输入到训练好的线性化网络中预测出K个主成分分析权重，并构建相机响应逆向函数，最后利用相机响应逆向函数获得线性化LDR图像S3：采用训练好的细节重构网络对线性化LDR图像中过度曝光的部分进行细节重构，并利用过度曝光部分的软掩码图将细节重构网络预测的残差图像和线性化LDR图像平滑的融合，最终获得重建的HDR图像完成G显带染色体HDR图像的重建工作。2.根据权利要求1所述的G显带染色体HDR图像重建方法，其特征在于，去量化网络、线性化网络、细节重构网络三个模型的训练步骤如下：S01：将去量化网络的输出融合到输入的LDR图像I上，以生成去量化LDR图像并通过最小化LDR图像和相应的LDR图像I之间的L
deq
损失函数来训练去量化网络的模型；S02：采用Sobel滤波器从经去量化LDR图像中提取边缘和直方图特征；S03：将提取的边缘和直方图特征输入线性化网络，线性化网络生成K个PCA权重来重构一个相机响应逆向函数；最后利用相机响应逆向函数获得线性化LDR图像定义线性化网络损失函数L
lin
以及ICRF重构损失函数L
crf
，并通过优化L
lin
+λ
crf
L
crf
来训练线性化网络的模型；S04：在细节重构网络的末端添加ReLU层来构建神经网络并预测正残差，并通过最小化损失函数L
hal
来训练细节重构网络的模型；S05：通过最小化损失函数L
total
来对去量化网络、线性化网络以及细节重构网络一起进行组合微调。3.根据权利要求2所述的G显带染色体HDR图像重建方法，其特征在于，步骤S01中，去量化网络采用一个6级U-Net网络结构，每一级U-Net网络结构由两个经过leaky ReLU函数(α＝0.1)激活后的卷积层构成，并采用Tanh激活层来将去量化网...

【专利技术属性】
技术研发人员：崔玉峰，
申请(专利权)人：上海北昂医药科技股份有限公司，
类型：发明
国别省市：