[发明专利]用于伪影去除的图像处理方法及装置

说明书

本公开的实施例提供了一种用于伪影去除的图像处理方法、装置、计算机程序产品和存储介质。本公开的图像处理方法包括：建立用于训练神经网络的训练数据集，利用自适应卷积字典网络，对所述带伪影图像进行伪影去除处理，以得到处理后图像，基于所述无伪影图像和所述处理后图像、以及经所述图像掩膜处理的目标函数对所述自适应卷积字典网络进行迭代训练，以优化所述自适应卷积字典网络的网络参数。通过本公开的图像处理方法能够简单、有效地去除图像中的伪影，以获得更清晰的、不受伪影干扰的图像。

技术领域

本公开涉及人工智能领域，更具体地，涉及一种用于伪影去除的图像处理方法、装置、计算机程序产品和存储介质。

背景技术

图像作为人类获取信息最重要的来源之一在各种信息库中占有极大比重。随着计算机技术的快速发展，图像处理已经广泛应用到了人类社会生活的各个方面，如：工业检测、医学、智能机器人等。图像以其生动性和直观性常被应用于各领域来描述和表达事物的特性与逻辑关系，应用范围广泛，因此，图像处理技术的发展及对各领域的信息处理都极为重要。

图像处理技术是用计算机对图像信息进行处理的技术。主要包括图像数字化、图像增强和复原、图像数据编码、图像分割和图像识别等。其中，图像复原技术的目的是使退化了的图像尽可能恢复到原来的真实面貌。例如，用于图像中伪影的去除领域，比如对于图像中的噪声进行去除，对于雨天中拍摄的带雨图像中的雨点进行去除，对CT图像中的金属伪影进行去除等。然而，目前的图像处理方法在去除伪影时面临着数学模型复杂、应用范围局限、部分数据获取困难等技术瓶颈。

因此，需要一种能够应用广泛并有效识别图像中的伪影，将其从带伪影图像中去除的图像处理方法，以帮助人们获得更清晰的，不受伪影干扰的图像。

发明内容

为了解决上述问题，本公开提供了一种用于伪影去除的图像处理方法、装置、计算机程序产品和存储介质。本公开提供的用于伪影去除的图像处理方法包括：建立用于训练神经网络的训练数据集，其中，所述训练数据集包括多组图像样本，每组图像样本包括带伪影图像(Y)及与其对应的无伪影图像(X)和图像掩膜(I)；对于所述多组图像样本中的至少一组图像样本，利用自适应卷积字典网络，对所述带伪影图像(Y)进行伪影去除处理，以得到处理后图像，基于所述无伪影图像(X)和所述处理后图像、以及经所述图像掩膜(I)处理的目标函数对所述自适应卷积字典网络进行迭代训练，以优化所述自适应卷积字典网络的网络参数，其中，所述自适应卷积字典网络包括基本伪影字典，所述基本伪影字典是不随样本变化的卷积字典并且包括第一数量的伪影卷积核，并且通过所述基本伪影字典中的多个伪影卷积核与随样本变化的加权系数来确定用于所述图像样本的第二数量的自适应卷积核，其中，通过所述第二数量的自适应卷积核与所述带伪影图像的图像特征的卷积来确定所述带伪影图像中的伪影图像，并从所述带伪影图像中去除所述伪影图像以得到所述处理后图像。

通过本公开的图像处理方法能够简单、有效地去除图像中的伪影，以获得更清晰的、不受伪影干扰的图像。

根据本公开的实施例，所述第一数量的伪影卷积核指示伪影模式，所述图像特征指示所述伪影模式所在的位置，其中，所述自适应卷积字典网络包括T级网络，其中，在第t级网络中，利用基于近端梯度下降的迭代更新规则对第t-1级网络输出的加权系数和图像特征进行更新，以得到第t级网络的加权系数和图像特征，其中t为大于1且小于等于T的整数。

根据本公开的实施例，每级网络包括加权系数更新网络、图像特征更新网络、及伪影去除图像更新网络，其中，加权系数更新网络、图像特征更新网络、及伪影去除图像更新网络包括残差网络结构及归一化处理层。

根据本公开的实施例，所述建立用于训练神经网络的训练数据集还包括以下至少一项：对所述带伪影图像(Y)的像素值进行归一化处理；以及对所述带伪影图像(Y)进行随机裁剪以获得图像块，并按照预定的概率对所述图像块进行随机翻转处理。