[发明专利]图像校正方法、计算机设备和存储介质

权利要求书

1.一种图像校正方法，其特征在于，所述方法包括：

获取待校正的表面线圈图像；

将所述待校正的表面线圈图像输入至预设的校正网络中，得到校正后的表面线圈图像；所述校正网络包括第一生成式对抗网络GAN和第二GAN网络；所述第一GAN网络用于将待校正的表面线圈图像生成对应的体线圈图像；所述第二GAN网络用于将所述对应的体线圈图像生成所述校正后的表面线圈图像。

2.根据权利要求1所述的方法，其特征在于，所述第一GAN网络包括第一生成网络和第一鉴别网络；

所述第一生成网络，用于将所述待校正的表面线圈图像生成综合值满足第一预设阈值的体线圈图像；所述综合值包括图像对比度与图像灰度均匀度；

所述第一鉴别网络，用于鉴别所述第一生成网络生成的体线圈图像的对比度与灰度均匀度综合值是否满足所述第一预设阈值。

3.根据权利要求2所述的方法，其特征在于，所述第二GAN网络包括第二生成网络和第二鉴别网络；

所述第二生成网络，用于将所述综合值满足第一预设阈值的体线圈图像生成信噪比满足第二预设阈值的表面线圈图像；

所述第二鉴别网络，用于鉴别所述第二生成网络生成的表面线圈图像的信噪比是否满足所述第二预设阈值。

4.根据权利要求1所述的方法，其特征在于，所述校正网络训练过程包括：

获取多个结构的表面线圈样本图像和体线圈样本图像；

将所述多个结构的表面线圈样本图像和体线圈样本图像，输入至第一初始GAN网络中,学习表面线圈样本图像到体线圈样本图像之间的映射特征，直到所述第一初始GAN网络输出的体线圈图像的综合值满足第一预设阈值，得到所述第一GAN网络；所述综合值包括图像对比度与图像灰度均匀度；

将所述第一GAN网络输出的体线圈图像输入至第二初始GAN网络中,学习体线圈样本图像到表面线圈样本图像之间的映射特征，直到所述第二初始GAN网络输出的表面线圈图像的信噪比满足第二预设阈值，得到所述第二GAN网络。

5.根据权利要求4所述的方法，其特征在于，所述第一初始GAN网络包括第一初始生成网络和第一初始鉴别网络；

则所述学习表面线圈样本图像到体线圈样本图像之间的映射特征包括：

采用所述第一初始生成网络根据所述表面线圈样本图像生成体线圈图像，采用所述第一初始鉴别网络判别所述第一初始生成网络生成的体线圈图像的综合值是否满足所述第一预设阈值，直至所述综合值满足所述第一预设阈值，得到所述表面线圈样本图像到体线圈样本图像之间的映射特征。

6.根据权利要求4或5所述的方法，其特征在于，所述第二初始GAN网络包括第二初始生成网络和第二初始鉴别网络；

则所述学习体线圈样本图像到表面线圈样本图像之间的映射特征包括：

采用所述第二初始生成网络根据所述第一GAN网络输出的体线圈图像生成表面线圈图像，采用所述第二初始鉴别网络判别第二初始生成网络生成的表面线圈图像的信噪比是否满足所述第二预设阈值，直至所述信噪比满足所述第二预设阈值，得到所述体线圈样本图像到表面线圈样本图像之间的映射特征。

7.根据权利要求4所述的方法，其特征在于，所述获取多个结构的表面线圈样本图像和体线圈样本图像之前，所述方法包括：

对所述体线圈样本图像进行插值和/或放大处理，使处理后的体线圈样本图像大小以及像素间距与所述表面线圈样本图像一致。

8.根据权利要求3所述的方法，其特征在于，所述第一生成网络和所述第二生成网络为全卷积神经网络；所述第一鉴别网络和所述第二鉴别网络为深度学习分类网络。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。