基于卷积神经网络的医学图像超分辨率重构算法研究

发布时间：2024-01-15 09:36

　　随着信息技术的发展,数字化时代已经悄然而至,数字图像已经成为人们从外部世界获取信息的主要方式之一。图像的超分辨率重构就是利用计算机算法,把成像设备获取的效果不理想的低分辨率图像转化成相应的高分辨率图像。医学图像作为医生诊疗病症的一种主要依据,提高医学图像的分辨率对医生尽早发现病情和拟定积极的诊疗策略都有颇为重要的意义。因此,为了进一步提高医学图像的质量,本文将卷积神经网络和超分辨率重构相结合,成功的使重构之后的高分辨率医学图像拥有更高的像素密度、更细腻的画质和更多的纹理信息。同时,本文提出的算法在处理含有噪声的医学图像时还能够抵抗原始低分辨率医学图像中的噪声,算法的鲁棒性得到进一步增强,同时本文提出的算法还具有快速、高效等优点。本文主要研究图像的超分辨率重构过程,针对基于卷积神经网络的医学图像超分辨率重构算法进行研究,以实现在提高重构后医学图像质量的同时加快算法的重构速度以及提升算法的鲁棒性,从而为医生提供更好的帮助。本文的研究主要从以下两方面开展:(1)提出一种融合局部特征和全局特征的医学图像超分辨率重构算法。算法通过网络模型中的两个特征提取层,对医学图像进行更细致的特征提取。通过网...

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题研究的背景及意义
    1.2 国内外研究动态
    1.3 本文的研究内容与组织结构
第二章 图像超分辨率重构相关理论研究
    2.1 超分辨率重构相关理论
        2.1.1 图像退化建模与求解
        2.1.2 医学图像的成像原理
    2.2 超分辨率重构图像的客观评价指标
        2.2.1 峰值信噪比
        2.2.2 结构相似性
    2.3 超分辨率重构算法的分类
        2.3.1 基于插值的方法
        2.3.2 基于重建的方法
        2.3.3 基于学习的方法
    2.4 本章小结
第三章 融合局部特征和全局特征的医学图像超分辨率重构算法
    3.1 引言
    3.2 网络模型特点与算法流程
        3.2.1 卷积层
        3.2.2 重叠池化层
        3.2.3 连接层
        3.2.4 算法流程
    3.3 实验结果与分析
        3.3.1 客观数值比较
        3.3.2 主观效果展示
    3.4 本章小结
第四章 基于噪声鲁棒的卷积神经网络超分辨率重构算法
    4.1 引言
    4.2 网络模型特点与算法流程
        4.2.1 离散Harr小波变换上采样
        4.2.2 基于图像内容的自适应分块算法
        4.2.3 算法流程
    4.3 实验结果与分析
        4.3.1 客观数值比较
        4.3.2 主观效果展示
    4.4 本章小结
第五章 结论与展望
    5.1 全文总结
    5.2 研究展望
参考文献
致谢
附录



本文编号：3878565