System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及深度学习,尤其涉及一种超分辨率食品低场核磁图像生成方法及系统。
技术介绍
1、低场核磁共振(low field-nuclear magnetic resonance,lf-nmr)是一种在低磁场强度下通过利用原子核在磁场中的旋转和放射频脉冲的相互作用进行成像的技术。它与传统的高场核磁共振成像相比,具有成本低、设备体积小和成像速度快等优势。近年来,低场核磁共振对于食品品质检测的研究有了质的飞跃,通过对样品进行低场核磁共振扫描,可以获取到关于食品的内部结构信息和成分信息。这些信息可以用来评估食品的成熟度、质地、内部腐烂程度、果核大小等,从而辅助判别水果的品质。
2、但是,lf-nmr的磁场强度较低导致信号强度较弱,信噪比较差,为了增强信号的强度和质量通常需要进行多次信号累积,使得采样时间增加。同时采集纹理细节清晰的高分辨率低场核磁共振图像也需要较长的采样时间。为了减少采样时间提高设备效率,引入超分辨率技术处理食品低场核磁共振图像。超分辨率技术通过利用图像中的局部统计特性(如均值、方差、相关性等)和先验知识,能从低分辨率图像中恢复采样对象的细节特征。
3、在超分辨率技术处理低场核磁共振图像的研究中,传统方法主要结合图像的插值算法和恢复算法。首先,利用插值算法对低分辨率图像进行上采样,增加图像的尺寸。然后,利用恢复算法对上采样后的图像进行处理,以恢复图像丢失的细节和边缘信息。但传统重构方法无法利用图像的高级语义信息,只能通过简单的插值计算来填充图像,很难清晰的还原复杂图像的细节特征。近年来,基于深度
技术实现思路
1、本专利技术提供一种超分辨率食品低场核磁图像生成方法及系统,用以解决现有技术中针对处理食品超分辨率图像存在准确度不高,无法还原图像细节,计算量大的缺陷。
2、第一方面,本专利技术提供一种超分辨率食品低场核磁图像生成方法,包括:
3、采集目标食品的低场核磁高分辨率图像,向所述低场核磁高分辨率图像加入预设噪声,获得带噪低场核磁高分辨率图像;
4、基于所述带噪低场核磁高分辨率图像训练初始unet神经网络,得到噪声预测神经网络模型;
5、获取低场核磁低分辨率图像,根据所述低场核磁低分辨率图像和目标分辨率的高斯噪声,利用所述噪声预测神经网络模型进行迭代采样,输出目标超分辨率低场核磁图像。
6、根据本专利技术提供的一种超分辨率食品低场核磁图像生成方法,采集目标食品的低场核磁高分辨率图像,向所述低场核磁高分辨率图像加入预设噪声,获得带噪低场核磁高分辨率图像,包括:
7、从标准正态分布中随机采样生成高斯噪声;
8、确定不同加噪程度的噪声序列和加噪次数,所述噪声序列的长度和所述加噪次数相等;
9、根据所述噪声序列和所述加噪次数向所述低场核磁高分辨率图像加入不同加噪程度的高斯噪声,得到所述带噪低场核磁高分辨率图像。
10、根据本专利技术提供的一种超分辨率食品低场核磁图像生成方法,根据所述噪声序列和所述加噪次数向所述低场核磁高分辨率图像加入不同加噪程度的高斯噪声,得到所述带噪低场核磁高分辨率图像,包括:
11、
12、其中,βi表示噪声序列β中任一加噪程度,x0表示低场核磁高分辨率图像,t表示加噪次数,∈表示生成的高斯噪声,xt表示带噪低场核磁高分辨率图像。
13、根据本专利技术提供的一种超分辨率食品低场核磁图像生成方法,基于所述带噪低场核磁高分辨率图像训练初始unet神经网络,得到噪声预测神经网络模型,包括:
14、构建所述初始unet神经网络;
15、确定训练集中的低场核磁高分辨率图像和对应的低场核磁低分辨率图像;
16、对所述低场核磁高分辨率图像进行加噪得到带噪低场核磁高分辨率图像;
17、将所述低场核磁高分辨率图像的带噪低场核磁高分辨率图像以及加噪次数,输入至所述初始unet神经网络,输出预测噪声;
18、获取真实噪声,根据所述真实噪声和所述预测噪声构建损失函数,利用所述损失函数,采用反向传播更新网络权重参数,得到所述噪声预测神经网络模型。
19、根据本专利技术提供的一种超分辨率食品低场核磁图像生成方法,获取低场核磁低分辨率图像,根据所述低场核磁低分辨率图像和目标分辨率的高斯噪声,利用所述噪声预测神经网络模型进行迭代采样,输出目标超分辨率低场核磁图像,包括:
20、通过双三次线性插值将所述低场核磁低分辨率图像扩增至目标分辨率,得到扩增后图像;
21、从标准正态分布中随机采样生成与所述目标分辨率相同大小的图像样本即高斯噪声样本,将所述图像样本与所述扩增后图像在通道维度上进行拼接,得到所述带噪低场核磁高分辨率图像;
22、将所述带噪低场核磁高分辨率图像以及加噪次数输入至噪声预测神经网络模型,得到图像噪声;
23、根据所述图像噪声和所述带噪低场核磁高分辨率图像,计算得到初始图像;
24、根据所述带噪低场核磁高分辨率图像和所述初始图像,计算得到前一加噪次数带噪低场核磁高分辨率图像的均值和方差;
25、从标准正态分布中随机采样生成与所述目标分辨率相同大小的图像样本,利用所述图像样本、所述均值和所述方差计算得到所述前一加噪次数带噪低场核磁高分辨率图像;
26、将所述前一加噪次数带噪低场核磁高分辨率图像作为新的带噪低场核磁高分辨率图像,重复进行迭代,直到所述加噪次数为0,得到所述目标超分辨率低场核磁图像。
27、根据本专利技术提供的一种超分辨率食品低场核磁图像生成方法,根据所述图像噪声和所述带噪低场核磁高分辨率图像,计算得到初始图像,包括:
28、
29、其中,∈表示生成的高斯噪声,xt表示带噪低场核磁高分辨率图像,表示初始图像,βi表示噪声序列β中任一加噪程度。
30、根据本专利技术提供的一种超分辨率食品低场核磁图像生成方法,根据所述带噪低场核磁高分辨率图像和所述初始图像,计算得到前一加噪次数带噪低场核磁高分辨率图像的均值和方差,包括:
31、
32、
33、其中,μ表示均值,σ2表示方差,αt=1-βt,
34、根据本专利技术提供的一种超分辨率食品低场核磁图像生成方法,从标准正态分布中随机采样生成与所述目标分辨率相同大小的图像样本,利用所述图像样本、所述均值和所述方差计算得到所述前一加噪次数带噪低场核磁高分辨率图像,包括:
35、
36、其中,xt-1表示前一加噪次数带噪低场核磁高分辨率图像,z表示从标本文档来自技高网...
【技术保护点】
1.一种超分辨率食品低场核磁图像生成方法,其特征在于,包括:
2.根据权利要求1所述的超分辨率食品低场核磁图像生成方法,其特征在于,采集目标食品的低场核磁高分辨率图像,向所述低场核磁高分辨率图像加入预设噪声,获得带噪低场核磁高分辨率图像,包括:
3.根据权利要求2所述的超分辨率食品低场核磁图像生成方法,其特征在于,根据所述噪声序列和所述加噪次数向所述低场核磁高分辨率图像加入不同加噪程度的高斯噪声,得到所述带噪低场核磁高分辨率图像,包括:
4.根据权利要求1所述的超分辨率食品低场核磁图像生成方法,其特征在于,基于所述带噪低场核磁高分辨率图像训练初始Unet神经网络,得到噪声预测神经网络模型,包括:
5.根据权利要求1所述的超分辨率食品低场核磁图像生成方法,其特征在于,获取低场核磁低分辨率图像,根据所述低场核磁低分辨率图像和目标分辨率的高斯噪声,利用所述噪声预测神经网络模型进行迭代采样,输出目标超分辨率低场核磁图像,包括:
6.根据权利要求5所述的超分辨率食品低场核磁图像生成方法,其特征在于,根据所述图像噪声和所述带噪低场核
7.根据权利要求6所述的超分辨率食品低场核磁图像生成方法,其特征在于,根据所述带噪低场核磁高分辨率图像和所述初始图像,计算得到前一加噪次数带噪低场核磁高分辨率图像的均值和方差,包括:
8.根据权利要求7所述的超分辨率食品低场核磁图像生成方法,其特征在于,从标准正态分布中随机采样生成与所述目标分辨率相同大小的图像样本,利用所述图像样本、所述均值和所述方差计算得到所述前一加噪次数带噪低场核磁高分辨率图像,包括:
9.一种超分辨率食品低场核磁图像生成系统,其特征在于,包括:
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8任一项所述超分辨率食品低场核磁图像生成方法。
...【技术特征摘要】
1.一种超分辨率食品低场核磁图像生成方法,其特征在于,包括:
2.根据权利要求1所述的超分辨率食品低场核磁图像生成方法,其特征在于,采集目标食品的低场核磁高分辨率图像,向所述低场核磁高分辨率图像加入预设噪声,获得带噪低场核磁高分辨率图像,包括:
3.根据权利要求2所述的超分辨率食品低场核磁图像生成方法,其特征在于,根据所述噪声序列和所述加噪次数向所述低场核磁高分辨率图像加入不同加噪程度的高斯噪声,得到所述带噪低场核磁高分辨率图像,包括:
4.根据权利要求1所述的超分辨率食品低场核磁图像生成方法,其特征在于,基于所述带噪低场核磁高分辨率图像训练初始unet神经网络,得到噪声预测神经网络模型,包括:
5.根据权利要求1所述的超分辨率食品低场核磁图像生成方法,其特征在于,获取低场核磁低分辨率图像,根据所述低场核磁低分辨率图像和目标分辨率的高斯噪声,利用所述噪声预测神经网络模型进行迭代采样,输出目标超分辨率低场核磁图像,包括...
【专利技术属性】
技术研发人员:曾山,杨可,易扬,王龙,李冰,
申请(专利权)人:武汉轻工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。