1 西南石油大学计算机科学学院，四川成都 610500
2 四川省人民医院 a.心血管超声及心功能科
3 b.超声心脏电生理学与生物力学四川省重点实验室，四川成都 610072
针对医学超声图像的分辨率低而导致视觉效果差的问题，使用基于神经网络的图像超分辨率(SR)重建方法提升医学超声图像的分辨率。采用针对自然图像超分辨率重建的生成对抗网络(SRGAN)作为基本方法，通过减少 2个输入通道和删除 1个残差块对该网络的结构进行更改，并且改进网络损失函数，新增模糊处理数据集，使该网络适应医学超声图像所具备的灰度图像、散斑纹理单一等特点，从而重建出放大 4倍的边缘清晰没有伪影的医学超声图像。将改进 SRGAN与原始 SRGAN的结果相比，峰值信噪比(PSNR)和结构相似性(SSIM)分别有 1.792 dB和 3.907%的提升; 与传统双立方插值的结果相比，PSNR和 SSIM分别有 2.172 dB和 8.732%的提升。
超分辨率重建 生成对抗网络 乳腺超声图像 残差块 亚像素卷积层 super-resolution reconstruction Generative Adversarial Network breast ultrasound image residual block sub-pixel convolution layer 太赫兹科学与电子信息学报
2023, 21(5): 677
1 武汉理工大学信息工程学院, 湖北 武汉 430070
2 武汉理工大学宽带无线通信和传感器网络湖北省重点实验室, 湖北 武汉 430070
3 武汉理工大学土木工程与建筑学院, 湖北 武汉 430070
4 宁波市第一医院泌尿外科泌尿系疾病转化医学研究宁波市重点实验室, 浙江 宁波 315010
5 湖北省天门市第一人民医院泌尿外科, 湖北 天门 431700
6 中国科学院武汉物理与数学研究所波谱与原子分子物理国家重点实验室, 湖北 武汉 430071
针对医学图像超分辨率重建过程中高频信息缺失导致的模糊问题,提出了一种基于残差通道注意力网络的医学图像超分辨率方法。提出的方法在残差网络的基本单元上去除了批规范化层以稳定训练;去掉缩放层、添加通道注意力块,使神经网络更加关注含有丰富高频信息的通道;使用亚像素卷积层进行上采样操作得到最终输出的高分辨率图像。实验结果表明,提出的方法相比主流的图像超分辨率方法在客观评价指标如峰值信噪比和结构相似性上有显著提升,得到的医学图像纹理细节丰富,视觉体验较好。
图像处理 医学图像处理 图像超分辨率 残差网络 通道注意力机制 亚像素卷积 激光与光电子学进展
2020, 57(2): 021014
哈尔滨工程大学信息与通信工程学院, 黑龙江 哈尔滨 150001
针对模型VDSR(very deep super resolution)收敛速度慢,训练前需要对原始图像进行预处理,以及网络中存在的冗余性等问题,提出了一种基于深度跳跃级联的单幅图像超分辨率重建(DCSR)算法。DCSR算法省去了图像预处理,直接在低分辨率图像上提取浅层特征,并使用亚像素卷积对图像进行放大;通过使用跳跃级联块可以充分利用每个卷积层提取到图像特征,实现特征重用,减少网络的冗余性。网络的跳跃级联块可以直接从输出到每一层建立短连接,加快网络的收敛速度,缓解梯度消失问题。实验结果表明,在几种公开数据集上,所提算法的峰值信噪比、结构相似度值均高于现有的几种算法,充分证明了所提算法的出色性能。
机器视觉 超分辨率 深度学习 跳跃级联 梯度消失 特征复用 亚像素卷积 冗余性
1 合肥工业大学电子科学与应用物理学院, 安徽 合肥 230009
2 合肥工业大学特种显示技术国家工程实验室现代显示技术省部共建国家重点实验室光电技术研究院, 安徽 合肥 230009
3 合肥工业大学仪器科学与光电工程学院, 安徽 合肥 230009
提出了一种基于多尺度递归网络的图像超分辨率网络模型,该模型主要由多个多尺度特征映射单元级联而成,每个单元分别包含一组不同尺度的特征提取层、一个融合层以及一个特征映射层。特征提取直接在原始低分辨率图像上进行,最后采用亚像素卷积重构高分辨率图像。训练阶段使用自适应矩估计优化方法加速网络模型的收敛。实验结果表明,所提算法取得了较好的超分辨率结果,图像纹理清晰、边缘锐利,视觉效果明显得到增强。在Set5、Set14、BSD100以及Urban100等常用测试集上的客观评价指标(PSNR和SSIM)均高于现有的几种主流算法。
图像处理 超分辨率 多尺度特征 卷积神经网络 亚像素卷积
