[发明专利]基于高斯-拉普拉斯金字塔的无监督学习X光图像增强方法

说明书

基于高斯‑拉普拉斯金字塔的无监督学习X光图像增强方法，该方法首先使用高斯‑拉普拉斯金字塔算法生成高对比度高噪声图像Xsubgt;GL/subgt;；然后，将原始图像Xsubgt;ori/subgt;输入至X光图像增强网络中，得到网络输出图像Xsubgt;net/subgt;；在整个过程中，使用对比度相似度损失函数计算图像Xsubgt;net/subgt;与图像Xsubgt;GL/subgt;之间的对比度相似度值，使用结构相似度损失函数计算图像Xsubgt;net/subgt;与原始图像Xsubgt;ori/subgt;之间的结构相似度值，将两者乘以相应的系数后相加得到总相似度值，不断迭代优化使之收敛至最小。最终完成优化，满足要求的生成图像Xsubgt;net/subgt;即为最终的输出图像Xsubgt;output/subgt;。与现有X光图像增强方法相比，本发明处理后的图像对比度增强幅度合适、图像局部和整体的语义信息完整，同时处理后的图像结构平滑，噪声少，整体图像质量高。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于高斯-拉普拉斯金字塔的无监督学习X光图像增强方法。

背景技术

X光图像增强技术是图像处理领域一个备受关注的研究问题，通过放大X光图像中感兴趣区域结构的显示对比度，显著提高图像的视觉质量及可理解性，对于医学临床诊断和工业探伤等应用中的各类人工与自主感知设备具有重要意义。特别地，随着基于深度学习的计算机视觉技术的迅速发展，图像增强作为计算机视觉的应用热点之一，其算法效果也得到了显著的提升。

基于深度学习的图像增强算法通常分为有监督学习算法和无监督学习算法。有监督学习算法多适用于有对应基准图像的处理任务；无监督学习算法则适用于没有对应基准图像但有先验知识、物理模型的处理任务。X光图像因其成像特点，难以获得对应的基准图像，无法通过有监督学习构建算法，因此需要基于无监督学习来设计X光图像增强算法。高斯-拉普拉斯金字塔是一种传统的图像增强算法，尽管处理后会使得图像噪声放大，但该算法也显著提升X光图像的对比度，所以常用于工业和医学X光图像的增强任务。因此，将高斯-拉普拉斯金字塔算法作为先验知识，通过设计一个基于先验知识的无监督学习X光图像增强算法，有望进一步提高X光图像增强效果。

发明内容

本发明的目的在于提供一种基于高斯-拉普拉斯金字塔的无监督学习X光图像增强方法，以高质量地增强X光图像的对比度。

为达到上述目的，本发明采用如下技术方案来实现：

基于高斯-拉普拉斯金字塔的无监督学习X光图像增强方法，该方法首先使用高斯-拉普拉斯金字塔算法生成高对比度高噪声图像X_GL；然后，将原始图像X_ori输入至X光图像增强网络中，得到网络输出图像X_net；在整个过程中，使用对比度相似度损失函数计算图像X_net与图像X_GL之间的对比度相似度值，使用结构相似度损失函数计算图像X_net与原始图像X_ori之间的结构相似度值，将两者乘以相应的系数后相加得到总相似度值，不断迭代优化使之收敛至最小以优化图像X_net；最终，完成优化，满足高对比度低噪声需求的图像X_net即为最终的输出图像X_output。

本发明进一步的改进在于，该方法具体包括如下实现步骤：

1)先验知识图像的生成

首先使用高斯金子塔生成每次下采样的结果，使用拉普拉斯金字塔生成每次下采样丢失的残差信息；然后使用伽马变换对拉普拉斯金字塔中每层的图像做增强处理；最后使用高斯金字塔中的图像和增强后的拉普拉斯金字塔中的图像做上采样重建，即可得到高对比度高噪声的图像X_GL；

2)增强图像获取