三维生物医学图像压缩方法、系统、设备及存储介质技术方案

本发明专利技术公开了一种三维生物医学图像压缩方法、系统、设备及存储介质，设计了基于训练的三维仿射小波变换，引入仿射图，在训练结束后，虽然预测和更新网络被固定了下来，但是仿射图会根据不同的输入发生变化，因此等效于小波基函数根据输入的不同内容进行调整，从而提升三维生物医学图像的编码性能。在此基础上，结合基于训练的三维仿射小波变换与基于深度网络的三维熵编码方法，能够进一步提升编码性能。能够进一步提升编码性能。能够进一步提升编码性能。

【技术实现步骤摘要】
三维生物医学图像压缩方法、系统、设备及存储介质


[0001]本专利技术涉及图像压缩编码
，尤其涉及一种三维生物医学图像压缩方法、系统、设备及存储介质。

技术介绍

[0002]三维生物医学图像主要包括三维生物图像和三维医学图像。随着人工智能的发展，三维生物医学图像具有更加广阔的应用前景和应用需求。三维生物医学图像体积巨大，为存储和传输带来了巨大挑战。因此三维图像压缩技术是使得这类图像能够广泛使用的关键技术。目前用于三维生物医学图像的主流技术是基于传统小波变换方案，其中最为广泛应用的技术是JP3D标准(Extensions for Three
‑
Dimensional Datain JPEG
‑
2000，JPEG
‑
2000标准的三维图像扩展)。
[0003]传统小波变换是一种局部的变换方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间
‑
频率”窗口，是进行信号时频分析和处理的理想工具。它可以对图像进行局部化、多尺度分析，因此常被用于图像编码的任务中。传统小波变换有两种实现形式，分别称为第一代小波和第二代小波。第一代小波变换采用基函数的形式对信号进行分解，其矩阵运算复杂，不利于硬件实现。第二代小波称为小波的提升方案，它将第一代小波分解为提升结构，便于手工设计，其结构适应了硬件实现。
[0004]以三维图像为例，第二代小波变换分解信号的过程如图1所示。首先输入的三维图像(输入信号)经过某个方向拆分，其奇数帧(奇信号)和偶数帧(偶信号)被分解开。然后奇数帧再经过一个预测步骤，在传统小波中，预测步骤通过一个线性预测滤波器实现。得到的滤波后的结果与偶数帧做差值，差值结果被认为包含着原始信号的细节分量，也即分解得到的高频信号。高频信号再经过一个更新滤波器滤波，得到的信号和奇数帧相加，则得到原始信号的一个近似分量，也即分解得到的低频信号；以上即完成一次提升步骤，值得注意的是，提升步骤可以自由选择次数，而不限制为一次，下一次的提升步骤中将上一次获得的低频信号作为奇信号，高频信号作为偶信号，再按照上述方式进行预测步骤与更新步骤得到新的低频信号与高频信号；多次的提升步骤可以进一步得到更为准确的高频和低频分量。经过一次或多次的提升步骤，完成了相应方向的分解，得到分解后的高频信号和低频信号；对分解后的高频信号和低频信号做其余两个方向的分解，完成一个完整的分解，完整的分解的次数N大于等于1。最终三维图像经过一次分解过程会得到8个分解出来的子带，将三维图像的三个方向依次记作x,y,z。假设先对z方向做一次分解(也可以是多次)，得到低频信号L和高频信号H。L和H再分别做y方向的分解，其中L被分解为：LL和HL；H被分解为LH和HH。这四个子带再分别做x方向的分解，得到了8个子带LLL,HLL,LHL,HHL,LLH,HLH,LHH,HHH。其中LLL是最低频的子带，它包含着原始信号中最主要的低频细节，可用于下一次完整的分解。N次分解则会得到7N+1个子带。经过小波变换得到的子带相比于原始信号能量更加的集中，因此离散小波变换经常被用作图像编码的变换部分，对这些子带进一步量化和熵编码
得到最终的码流。常用的子带熵编码方法包括EZW，SPIHT，EBCOT等。
[0005]如图2所示，展示了JPEG
‑
2000编码流程，它是一种基于小波编码变换的常见编码方法，由JPEG开发的用于图像编码的一个标准。原始的图像数据经过前处理和离散小波变换(即前文提到的传统小波变换)可以得到能量更加集中的一系列子带系数，子带系数是浮点数，不利于编码中码率的节省。通过一个量化步骤将这些浮点数转变为整数，接着使用熵编码方法，将子带系数组织成码流，得到了压缩后的图像数据。对于解码端，得到这些传输来的系数后，通过熵解码、反量化与离散小波反变换，重构出原始图像，流程如图3所示。
[0006]此外，目前还提出了基于训练小波变换的三维图像编码方法。训练小波变换从图像纹理特征出发，设计针对性的小波变换，并将其应用于图像编码。其主要的思路是使用深度学习网络代替传统小波变换中的预测和更新滤波器。根据大量的训练样本，训练出针对该纹理分布的小波变换。如图4所示，为训练小波流程步骤。
[0007]在图像编码时，应用基于深度网络的小波变换，将图像分解得到小波系数，然后应用子带编码方法，得到压缩码流。在图像解码时，应用子带解码方法，从压缩码流中解码出小波系数，然后应用基于深度网络的小波反变换，重建图像。
[0008]基于训练小波的图像编码方法可以有效捕捉到非方向性特征，很大程度上让小波变换适应了不同的纹理。但是他它仍然存在一个问题，即训练结束后，训练小波的小波变换系数被确定下来，在对有着不同纹理的图像进行处理时，使用的是同一套系数，这会使得训练小波变换无法对不同图像实现自适应的处理，影响图像编码的性能。

技术实现思路

[0009]本专利技术的目的是提供一种三维生物医学图像压缩方法、系统、设备及存储介质，能够提升编码性能。
[0010]本专利技术的目的是通过以下技术方案实现的：
[0011]一种三维生物医学图像压缩方法，包括：
[0012]编码阶段，采用基于训练的三维仿射小波变换对输入的三维生物医学图像进行分解，步骤包括：将输入的三维生物医学图像当前方向拆分为奇数帧和偶数帧，奇数帧输入至基于深度网络的预测网络，得到预测结果与第一仿射图，所述预测结果经所述第一仿射图缩放后与所述偶数帧做差值，差值结果为高频信号，所述高频信号输入至基于深度网络的更新网络，得到更新结果与第二仿射图，所述更新结果经所述第二仿射图缩放后与所述奇数帧相加，相加结果为低频信号，完成一个分解流程，执行若干次分解流程，完成当前方向的分解；对当前方向分解获得的低频信号与高频信号进行其余方向的分解；利用所有方向的分解结果进行熵编码；
[0013]解码阶段，采用与所述编码阶段相反的流程，重建三维生物医学图像。
[0014]一种三维生物医学图像压缩系统，包括：
[0015]编码器，应用于编码阶段；所述编码阶段，采用基于训练的三维仿射小波变换对输入的三维生物医学图像进行分解，步骤包括：将输入的三维生物医学图像当前方向拆分为奇数帧和偶数帧，奇数帧输入至基于深度网络的预测网络，预测结果经仿射图缩放后与所述偶数帧做差值，差值结果为高频信号，所述高频信号输入至基于深度网络的更新网络，更新结果经仿射图缩放后与所述奇数帧相加，相加结果为低频信号，完成一个分解流程，执行
若干次分解流程，完成当前方向的分解；对当前方向分解获得的低频信号与高频信号进行其余方向的分解；利用所有方向的分解结果进行熵编码；
[0016]解码器，应用于解码阶段；所述解码阶段，采用与所述编码阶段相反的流程，重建三维生物医学图像。
[0017]一种处理设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；
[0018]其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种三维生物医学图像压缩方法，其特征在于，包括：编码阶段，采用基于训练的三维仿射小波变换对输入的三维生物医学图像进行分解，步骤包括：将输入的三维生物医学图像当前方向拆分为奇数帧和偶数帧，奇数帧输入至基于深度网络的预测网络，得到预测结果与第一仿射图，所述预测结果经所述第一仿射图缩放后与所述偶数帧做差值，差值结果为高频信号，所述高频信号输入至基于深度网络的更新网络，得到更新结果与第二仿射图，所述更新结果经所述第二仿射图缩放后与所述奇数帧相加，相加结果为低频信号，完成一个分解流程，执行若干次分解流程，完成当前方向的分解；对当前方向分解获得的低频信号与高频信号进行其余方向的分解；利用所有方向的分解结果进行熵编码；解码阶段，采用与所述编码阶段相反的流程，重建三维生物医学图像。2.根据权利要求1所述的一种三维生物医学图像压缩方法，其特征在于，所述第一仿射图为一张和预测结果大小一致的张量，所述第二仿射图为一张和更新结果大小一致的张量，对所述预测结果以及所述更新结果均各自通过sigmoid函数计算出相应的仿射图，相应的仿射图为所述预测结果和更新结果的每一个空间位置单独提供了一个缩放值；或者，所述仿射图为一个标量，将其设置为一个可以学习的变量，通过仿射图为所述预测结果和更新结果的每一个空间位置提供了同一个缩放值。3.根据权利要求1或2所述的一种三维生物医学图像压缩方法，其特征在于，所述预测结果经所述第一仿射图缩放，以及所述更新结果经所述第二仿射图缩放的方式包括：编码阶段，将所述第一仿射图与所述预测结果相乘，将所述第二仿射图与所述更新结果相乘，用来缩放预测结果与更新结果中每一个空间位置的输出大小；或者，将所述第一仿射图与第二仿射图每一个位置的数值进行量化，将乘法运算通过右移操作实现，通过右移操作缩放预测结果与更新结果中每一个空间位置的输出大小；解码阶段，将所述预测结果除以所述第一仿射图，将所述更新结果除以所述第二仿射图，用来缩放预测结果与更新结果中每一个空间位置的输出大小；或者，将所述第一仿射图与第二仿射图每一个位置的数值进行量化，将除法运算通过左移操作实现，通过左移操作缩放预测结果与更新结果中每一个空间位置的输出大小。4.根据权利要求1所述的一种三维生物医学图像压缩方法，其特征在于，所述基于训练的三维仿射小波变换使用参数共享策略；所述三维生物医学图像按照轴向分辨率的不同分为各向同性图像和各向异性图像；对于各向同性图像，基于训练的三维仿射小波变换中的预测网络和更新网络使用相同的结构，并共享全部参数；对于各向异性图像，基于训练的三维仿射小波变换中的预测网络和更新网络使用相同的结构，轴向单独使用一套参数，其余方向共享全部参数。5.根据权利要求1或4所述的一种三维生物医学图像压缩方法，其特征在于，所述预测网络与更新网络的结构包括：依次连接的五个三维卷积层，其中，第一个三维卷积层的输出与第五个三维卷积层的输出连接，第二个三维卷积层的输出与第四个三维卷积层的输出连接，...

【专利技术属性】
技术研发人员：李礼，薛冬梅，马海川，刘东，熊志伟，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：