-
公开(公告)号：CN114359104B
公开(公告)日：2024-06-11
申请号：CN202210019469.4
申请日：2022-01-10
Applicant: 北京理工大学
IPC: G06T5/73 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于分级生成的白内障眼底图像增强方法，属于图像增强技术领域。针对现有的眼底图像增强方法存在的不足和缺陷，对于深度学习中配对数据的制约，本方法利用图像成像模型退化高质量图像生成相应的多模糊度数据集。对于过增强以及欠增强的问题，本方法根据生成的多模糊度数据集训练模糊度分类器以及多个模糊眼底增强器来增强不同模糊度的白内障图像。与现有技术相比，本方法有效解决了深度学习中配对数据数据获取困难的问题，并且有助于全参考质量评估的应用，可以有效增强不同模糊度的白内障图像，增强的结果对比度好，解决了过增强、欠增强的问题。同时本方法有效提升了增强图像的准确性，增强后细小血管的保真度更好。
-
Patent Agency Ranking
公开(公告)号：CN118154468B
公开(公告)日：2024-07-26
申请号：CN202410582588.X
申请日：2024-05-11
Applicant: 北京理工大学
IPC: G06T5/73 , G06V10/774 , G06V10/764 , G06T5/70 , G06N3/04 , G06N3/084
Abstract: 本发明公开了一种基于隐空间扩散模型的模糊图像通用增强方法，涉及图像增强领域，包括以下步骤：S1：构建重建训练集和重建测试集；S2：构建微调训练集和微调测试集；S3：构建隐空间扩散模型；S4：利用训练好的隐空间扩散模型对微调测试集中模糊图像进行增强，得到增强结果。本发明采用“重建+微调”的策略训练隐空间扩散模型，利用训练完成的模型直接对模糊图像进行增强，对比现有图像增强方法，增强结果有效实现对模糊图像的增强，并且很好地还原了图像细节，生成结果真实可靠；在重建过程中仅需要非成对图像，微调阶段所需成对图像数据规模小，很好地避免了成对数据获得成本高，难度大的问题。
-
公开(公告)号：CN114359104A
公开(公告)日：2022-04-15
申请号：CN202210019469.4
申请日：2022-01-10
Applicant: 北京理工大学
IPC: G06T5/00 , G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764
Abstract: 本发明涉及一种基于分级生成的白内障眼底图像增强方法，属于图像增强技术领域。针对现有的眼底图像增强方法存在的不足和缺陷，对于深度学习中配对数据的制约，本方法利用图像成像模型退化高质量图像生成相应的多模糊度数据集。对于过增强以及欠增强的问题，本方法根据生成的多模糊度数据集训练模糊度分类器以及多个模糊眼底增强器来增强不同模糊度的白内障图像。与现有技术相比，本方法有效解决了深度学习中配对数据数据获取困难的问题，并且有助于全参考质量评估的应用，可以有效增强不同模糊度的白内障图像，增强的结果对比度好，解决了过增强、欠增强的问题。同时本方法有效提升了增强图像的准确性，增强后细小血管的保真度更好。
-
公开(公告)号：CN110264424B
公开(公告)日：2021-05-04
申请号：CN201910537576.4
申请日：2019-06-20
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于生成对抗网络的模糊视网膜眼底图像增强方法，属于图像增强技术领域。包括如下步骤：步骤一：构建训练集和测试集；步骤二：分别对步骤一构建的训练集和测试集中的眼底图像进行预处理；步骤三：构建用于增强的生成对抗网络模型；步骤四：利用训练好的生成器对测试集模糊视网膜眼底图像进行增强，得到最终的增强结果。所述方法对比现有眼底图像增强方法，增强结果平滑无噪声，色彩还原度高，有效地改善了传统方法颜色偏移、对比度过高、颜色失真、噪声放大的问题；避免设计复杂的先验模型，且处理速度更快；很好地还原了视网膜眼底图像血管分布等细节，生成结果真实可靠。
-
公开(公告)号：CN110264424A
公开(公告)日：2019-09-20
申请号：CN201910537576.4
申请日：2019-06-20
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于生成对抗网络的模糊视网膜眼底图像增强方法，属于图像增强技术领域。包括如下步骤：步骤一：构建训练集和测试集；步骤二：分别对步骤一构建的训练集和测试集中的眼底图像进行预处理；步骤三：构建用于增强的生成对抗网络模型；步骤四：利用训练好的生成器对测试集模糊视网膜眼底图像进行增强，得到最终的增强结果。所述方法对比现有眼底图像增强方法，增强结果平滑无噪声，色彩还原度高，有效地改善了传统方法颜色偏移、对比度过高、颜色失真、噪声放大的问题；避免设计复杂的先验模型，且处理速度更快；很好地还原了视网膜眼底图像血管分布等细节，生成结果真实可靠。
-
公开(公告)号：CN118154468A
公开(公告)日：2024-06-07
申请号：CN202410582588.X
申请日：2024-05-11
Applicant: 北京理工大学
IPC: G06T5/73 , G06V10/774 , G06V10/764 , G06T5/70 , G06N3/04 , G06N3/084
Abstract: 本发明公开了一种基于隐空间扩散模型的模糊图像通用增强方法，涉及图像增强领域，包括以下步骤：S1：构建重建训练集和重建测试集；S2：构建微调训练集和微调测试集；S3：构建隐空间扩散模型；S4：利用训练好的隐空间扩散模型对微调测试集中模糊图像进行增强，得到增强结果。本发明采用“重建+微调”的策略训练隐空间扩散模型，利用训练完成的模型直接对模糊图像进行增强，对比现有图像增强方法，增强结果有效实现对模糊图像的增强，并且很好地还原了图像细节，生成结果真实可靠；在重建过程中仅需要非成对图像，微调阶段所需成对图像数据规模小，很好地避免了成对数据获得成本高，难度大的问题。
-
-
-
-
-
Search Results
6
records
(took 0.02 seconds)
