最近看到了一篇用深度学习做射线图像增强的文章,这也是我目前看到的唯一的一篇,分享给大家。
文章名称是**《Detail Restoration and Tone Mapping Networks for X-Ray Security Inspection》**
作者设计了两个网络来做高动态图像增强,分别是DRnet(细节恢复网络)和TMnet(色调映射网络)。
DRnet这部分采用全监督的方式,作者将输入的图片分成基础层跟细节层,对细节层利用全监督进行增强,然后将增强后的细节层于基础层相加,输入到TMnet。
TMnet采用无监督的方式,利用SSIM,DPloss,RTloss作为损失函数进行优化。DPloss这部分考虑了局部的梯度信息,RTloss防止过度增强(2017deepfused曾经用ssim损失函数做无监督图像融合来进行图像增强)
DRnet是文章比较关键的部分,作者先对输入的图像进行log变换(为何进行log变换我认为可以理解成retinex的变形),然后利用引导滤波得到基层和细节层,对细节层进行全监督。细节层GT的制作过程也比较重要,(作者参考了文献31,这篇文章是关于检测行李箱包种危险品的,在实际种箱包中的危险品很少,为了模拟这个过程利用比尔朗博定理将危险品与不含危险品的图片经合合成来进行样本扩充)作者逐层将前景背景分离然后进行引导滤波对细节层进行增强。但是前景背景的分离过程作者没有交代如何实现,这部分还有一些疑问。作者在自己设计的10000张图片上进行了训练,也取得了较好的效果。作者同时也公开了自己的代码。代码
做射线图像增强的人很少,欢迎研究这个方向的同学一起交流呀,企鹅号码2878570391,添加时备注CSDN呀!