基于CT图像的超分辨率重构研究

发布时间：2021-09-07 06:44

　　医学CT图像的超分辨率重构研究具有较大的实用价值。针对CT图像由于设备等原因存在的细节模糊,边缘不清晰、感知质量差等问题,提出一种多次上下采样的深度方格卷积网络。通过上下采样的二维结构,拓宽网络宽度与深度,增强不同尺度信息的深层依赖关系,促进不同尺度下的信息交互,从而充分利用原始图像信息重构出更多的高分辨率细节信息。采用全局深度联结与局部残差相结合的方式,将浅层网络信息反馈至深层网络,实现全局网络信息共享,提高训练时浅层网络特征映射在深层网络中的利用率,突出深度网络训练优势。实验结果表明,通过峰值信噪比与结构相似性指数将本文模型的重构结果和当前最先进的模型结果进行比较,该模型能恢复出最优的高分辨率图像,同时得到较高的重构图像感知质量。 

【文章来源】：长春理工大学学报(自然科学版). 2020,43(01)

【文章页数】：7 页

【部分图文】：

重构网络结构

上下采样网络与水平网络

通过实验将本文模型与当前的主流算法进行比较，对各种模型的恢复质量进行定量与定性的测试。采用相同的医学CT图像数据集对论文中提出的网络重新训练，主要包括SRResNet,EDSR,RCAN[12]以及基于GAN网络的DPGAN[13]。在不同采样因子下通过计算每帧图像的PSNR,SSIM指数来定量评估模型，图像质量对比如表1所示。从表1可以发现，本文模型在各个采样因子下都能够获得最优结果，PSNR和SSIM值都超过目前的主流模型。当采样因子为4时，本文模型相比于最优DPGAN网络，PSNR提高了1.65 dB。当采样因子为3时，本文模型相比提高了1.08 dB。当采样因子为2时，本文模型相比提高了0.65 dB。综上可得本文模型在高采样因子的情况下表现较好，证明本文模型能够较好的挖掘高低分辨率之间对应信息的深层关系，从而显著增强恢复的高分辨率图像质量。

【参考文献】：
期刊论文
[1]基于超分辨率重建的车牌图像增强算法[J]. 山显响,刘云清.  长春理工大学学报(自然科学版). 2018(03)
[2]基于卷积神经网络的无人机循迹方法[J]. 陈思锐,刘智,耿振野.  长春理工大学学报(自然科学版). 2018(01)
[3]基于双线性插值的图像缩放算法的研究与实现[J]. 王森,杨克俭.  自动化技术与应用. 2008(07)
[4]基于三次样条插值的图像放大的离散算法[J]. 王忠谦,朱宁.  苏州大学学报(自然科学版). 2005(02)



本文编号：3389057