[发明专利]面向手术图像去烟雾的深度学习方法

权利要求书

1.本发明涉及一种面向手术图像去烟雾的深度学习方法，其特征在于，包括如下步骤：

(1)截取X个手术视频片段，将其划分为清晰无烟雾视频序列V_{1_clear}和有烟雾视频序列V_{2_hazy}，每个视频序列选取N帧图像，对V_{1_clear}数据集进行加烟雾处理，设置所加烟雾的浓度值α＝{0.25，0.5，0.75，1}，得到V_{1_hazy}数据集含有4种不同烟雾浓度的图像，将V_{1_hazy}标记为“0”，清晰无烟雾的标签V_{1_clear}标记为“1”；

(2)将数据集V_{1_hazy}和V_{2_hazy}按照P：1-P(P∈(0，1))划分训练集和测试集；

(3)构建全监督去烟雾模型和自监督去烟雾模型分别训练V_{1_hazy}和V_{2_hazy}；

(4)分别设计全监督损失函数L_fully-sup和自监督损失函数L_self-sup，公式如下所示：

2.如权利要求1所述一种面向手术图像去烟雾的深度学习方法，其特征在于，根据步骤(3)所述的基于U-Net全监督去烟雾模型Net-F与自监督去烟雾模型Net-S，分别包含net_g₀，net_g₁，net_g₂三个子网络，通过三个子网络提取特征图像，包括去烟雾后图像J_s、透射率t_s和烟幕特征图F，其中A_s∈(0，1)表示环境光，表示输出带烟雾图像，不同特征图关系，如公式3所示：

3.如权利要求1所述一种面向手术图像去烟雾的深度学习方法，其特征在于，步骤(4)所述的全监督损失函数(公式1)包含三部分，L_con表示一致性损失函数：

其中I、分别为合成带烟雾图像和网络输出结果，分别表示net_g₀、net_g₁、net_g₂的输出结果，*表示矩阵对应点相乘运算，γ_J、γ_F分别为损失函数的权重，MSE为平均绝对误差(Mean Squared Error，MSE)；L_rec表示重建损失函数：

其中J_gt清晰无烟雾图像；L_TV表示烟幕先验损失函数：

D_xF＝F(x+1，y，c)-F(x，y，c) (7)

D_yF＝F(x，y+1，c)-F(x，y，c) (8)

D_cF＝F(x，y，c+1)-F(x，y，c) (9)

其中，x、y、c分别表示图像F中的横坐标、纵坐标和网络通道个数，i为图像F中像素点个数，D_x、D_y、D_c分别表示沿x、y、c求导。

4.如权利要求1所述一种面向手术图像去烟雾的深度学习方法，其特征在于，步骤(4)所述的自监督损失函数(公式2)包含三部分，其中L_t定义为：

其中，ε₁、ε₂分别为常数，γ_t为权重，mean表示对矩阵中所有元素进行均值运算；定义为：

其中|·|为绝对值运算，γ_F为权重。