【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及的是一种基于神经网络的可调控图像超分辨率方法及系统。
技术介绍
1、随着医学成像技术的迅速发展，医学图像在疾病诊断和治疗规划中的重要性日益突出。然而，许多医学图像由于设备分辨率限制、采集条件不理想或成像噪声等原因，往往面临清晰度不足、细节丢失等问题。这些问题严重影响了医生对图像的解读和诊断的准确性，因此，提升医学图像的分辨率成为了研究的热点。
2、超分辨率技术(super-resolution,sr)旨在通过算法将低分辨率图像重建为高分辨率图像，以增强图像的细节和清晰度。传统的医学图像超分辨率算法(如线性插值、字典学习和局部嵌入等)，尽管可以提升图像的分辨率，但往往导致细节丢失或产生伪影。深度学习模型(如vdsr(very deep super resolution，非常深的超分辨率网络)、srgan(super-resolution generative adversarial network，超分辨率生成对抗网络)等)虽然能够增强图像细节和生成质量，但固定的网络结构和参数，使得网络无法根据不同的场景进行个性化调整，导致重建出的超分辨率图像的超分辨率效果在不同场景下表现不稳定。
技术实现思路
1、鉴于上述现有技术的不足，本专利技术的目的在于提供一种基于神经网络的可调控图像超分辨率方法及系统，旨在解决现有技术中存在的因无法根据不同的场景进行个性化调整，导致重建出的超分辨率图像的超分辨率效果在不同场景下表现不稳定的问题。
2、为
3、采集若干待处理图像；
4、基于预设的超分辨率参数，利用训练好的可调控超分辨率网络分别对每张所述待处理图像进行处理，得到每张所述待处理图像对应的超分辨率图像。
5、可选的，所述可调控超分辨率网络包括去模糊模块和超分辨率网络，所述基于预设的超分辨率参数，利用训练好的可调控超分辨率网络分别对每张所述待处理图像进行处理，得到每张所述待处理图像对应的超分辨率图像，包括：
6、基于预设的去模糊强度参数，利用所述去模糊模块分别对每张所述待处理图像进行去模糊处理，得到每张所述待处理图像对应的去模糊图像；
7、基于预设的上采样倍数和去噪强度参数，利用所述超分辨率网络分别对每张所述去模糊图像进行推理，得到每张所述待处理图像对应的超分辨率图像。
8、可选的，所述基于预设的上采样倍数和去噪强度参数，利用所述超分辨率网络分别对每张所述去模糊图像进行推理，得到每张所述待处理图像对应的超分辨率图像，包括：
9、基于所述去模糊图像、所述去噪强度参数和所述上采样倍数，确定一致性权重参数以及超分辨率重建后的图像；
10、利用所述一致性权重参数调控所述超分辨率重建后的图像和所述待处理图像的权重，得到每张所述待处理图像对应的超分辨率图像。
11、可选的，所述可调控超分辨率网络的训练过程，包括：
12、采集若干高分辨率图像样本以及配对的低分辨率图像样本，构建训练集；
13、基于深度神经网络，构建初始可调控超分辨率网络；
14、基于预设的去模糊强度参数、预设的去噪强度参数和预设的上采样倍数，利用所述训练集对所述初始可调控超分辨率网络进行迭代训练，直至网络收敛或损失值满足预设的损失阈值，得到训练好的可调控超分辨率网络。
15、可选的，所述基于预设的去模糊强度参数、预设的去噪强度参数和预设的上采样倍数，利用所述训练集对所述初始可调控超分辨率网络进行迭代训练，直至网络收敛或损失值满足预设的损失阈值，得到训练好的可调控超分辨率网络，包括：
16、将所述低分辨率图像样本和所述去模糊强度参数输入所述初始可调控超分辨率网络，输出每张所述低分辨率图像对应的去模糊图像；
17、基于所述去噪强度参数和所述上采样倍数，利用所述初始可调控超分辨率网络对所述去模糊图像进行处理，获得超分辨率图像；
18、利用所述超分辨率图像和所述高分辨率图像样本对所述初始可调控超分辨率网络进行迭代训练，直至网络收敛或损失值满足预设的损失阈值，得到训练好的可调控超分辨率网络。
19、可选的，所述损失值的计算过程，包括：
20、利用预设的图像差异度量损失函数计算所述超分辨率图像与对应的高分辨率图像样本之间的差异度，得到损失值。
21、本专利技术第二方面提供一种基于神经网络的可调控图像超分辨率系统，所述系统包括：
22、图像采集模块，用于采集若干待处理图像；
23、超分辨率处理模块，用于基于预设的超分辨率参数，利用训练好的可调控超分辨率网络分别对每张所述待处理图像进行处理，得到每张所述待处理图像对应的超分辨率图像。
24、本专利技术第三方面提供一种智能终端，所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于神经网络的可调控图像超分辨率程序，所述基于神经网络的可调控图像超分辨率程序被所述处理器执行时实现任意一项上述基于神经网络的可调控图像超分辨率方法的步骤。
25、本专利技术第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于神经网络的可调控图像超分辨率程序，所述基于神经网络的可调控图像超分辨率程序被处理器执行时实现任意一项上述基于神经网络的可调控图像超分辨率方法的步骤。
26、与现有技术相比，本方案的有益效果如下：
27、本专利技术构建的一种新的可调控图像超分辨率网络框架，包括去模糊模块和超分辨网络，通过去模糊模块根据去模糊强度对低分辨率图像进行去模糊处理，能够有效减少图像的模糊效应，提高图像的清晰度；通过超分辨网络根据去噪强度参数和上采样倍数将去模糊图像映射为超分辨率图像，能够显著提高图像信噪和比空间分辨率，使图像细节更清晰更顺滑。此外，一致性权重子网络可以自适应地输出最优的一致性权重系数，对超分辨率图像进行一致性校准，防止图像在超分辨率过程中产生失真。
28、本专利技术训练好的可调控超分辨率网络允许用户根据实际应用需求灵活调整上采样倍数、去模糊强度和去噪强度等关键参数，这种外部控制超分辨率参数的灵活控制机制能够有效应对不同场景下的图像处理需求，有利于提高模型的泛化能力，提高算法在实际应用中的可用性和适应性。
本文档来自技高网...【技术保护点】
1.一种基于神经网络的可调控图像超分辨率方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于神经网络的可调控图像超分辨率方法，其特征在于，所述可调控超分辨率网络包括去模糊模块和超分辨率网络，所述基于预设的超分辨率参数，利用训练好的可调控超分辨率网络分别对每张所述待处理图像进行处理，得到每张所述待处理图像对应的超分辨率图像，包括：
3.根据权利要求2所述的基于神经网络的可调控图像超分辨率方法，其特征在于，所述基于预设的上采样倍数和去噪强度参数，利用所述超分辨率网络分别对每张所述去模糊图像进行推理，得到每张所述待处理图像对应的超分辨率图像，包括：
4.根据权利要求1所述的基于神经网络的可调控图像超分辨率方法，其特征在于，所述可调控超分辨率网络的训练过程，包括：
5.根据权利要求4所述的基于神经网络的可调控图像超分辨率方法，其特征在于，所述基于预设的去模糊强度参数、预设的去噪强度参数和预设的上采样倍数，利用所述训练集对所述初始可调控超分辨率网络进行迭代训练，直至网络收敛或损失值满足预设的损失阈值，得到训练好的可调控超分辨率网络，
6.根据权利要求5所述的基于神经网络的可调控图像超分辨率方法，其特征在于，所述损失值的计算过程，包括：
7.一种基于神经网络的可调控图像超分辨率系统，其特征在于，所述系统包括：
8.一种智能终端，其特征在于，所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于神经网络的可调控图像超分辨率程序，所述基于神经网络的可调控图像超分辨率程序被所述处理器执行时实现如权利要求1-6任意一项所述基于神经网络的可调控图像超分辨率方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于神经网络的可调控图像超分辨率程序，所述基于神经网络的可调控图像超分辨率程序被处理器执行时实现如权利要求1-6任意一项所述基于神经网络的可调控图像超分辨率方法的步骤。
...【技术特征摘要】
1.一种基于神经网络的可调控图像超分辨率方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于神经网络的可调控图像超分辨率方法，其特征在于，所述可调控超分辨率网络包括去模糊模块和超分辨率网络，所述基于预设的超分辨率参数，利用训练好的可调控超分辨率网络分别对每张所述待处理图像进行处理，得到每张所述待处理图像对应的超分辨率图像，包括：
3.根据权利要求2所述的基于神经网络的可调控图像超分辨率方法，其特征在于，所述基于预设的上采样倍数和去噪强度参数，利用所述超分辨率网络分别对每张所述去模糊图像进行推理，得到每张所述待处理图像对应的超分辨率图像，包括：
4.根据权利要求1所述的基于神经网络的可调控图像超分辨率方法，其特征在于，所述可调控超分辨率网络的训练过程，包括：
5.根据权利要求4所述的基于神经网络的可调控图像超分辨率方法，其特征在于，所述基于预设的去模糊强度参数、预设的去噪强度参数和预设的上采样倍数，利用所述...
【专利技术属性】
技术研发人员：沈雄杰，朱高杰，钟俊杰，黄海波，陈家平，朱黎明，
申请(专利权)人：深圳安科高技术股份有限公司，
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。