仿真假体视觉下神经网络算法的应用研究

尽管已有多种图像处理策略被应用到视觉假体的仿真研究中并提高了被试的识别表现,但在植入电极数量有限的情况下,如何保证盲人获得足够的拓扑信息是视觉假体仍需解决的问题。在此背景下,本文将两种神经网络算法应用到仿真假体视觉中对图像进行前景目标提取和像素化处理,首先利用图像分割数据集训练一个U-net网络得到前景提取后的结果,将其像素化之后与提取前的原图配对,再利用配对后的数据集训练一个Pix2Pix网络从而实现了将彩色图像"翻译"为像素化图像的目标。实验结果表明,与传统图像处理算法相比U-net网络具有更准确的目标提取效果,且经Pix2pix网络"翻译"后的图像也与标签图像更相似,有助于提高假体佩戴者的识别准确率。

生成对抗网络对OCT视网膜图像的超分辨率重建

光学相干层析成像(OCT)的质量通常会受到固有散斑噪声和低采样率的影响。为了在短扫描时间内获得高信噪比和高分辨率的OCT图像,本文提出了一种改进的OCT图像超分辨率重建网络模型PPECA-SRGAN。该模型将生成对抗网络(GAN)作为基础结构,可以不依赖配对数据集进行训练。在该模型的生成器残差块之间添加了金字塔注意力模块PANet,同时在判别器中加入了本文新提出的PECA模块,使其更加注重捕捉图像细节,提升模型对图像边缘纹理的重建能力。将所提PPECA-SRGAN模型在OCT图像数据集上进行实验,得到的峰值信噪比和结构相似性指标的平均值较当前三种经典模型的平均值分别约提高了3.5%和5.6%。实验结果表明,所提模型在鲁棒性和OCT图像细节重建方面较经典模型有较大提升。