# EndoscopySmokeRemoval
A small but interesting research on medical endoscope
Version-1
Our method compared with other methods
![image](https://github.com/ColaBreadQAQ/EndoscopySmokeRemoval/blob/master/example/example.gif)
Original: original haze image [1]
DC: Dark Channel[2]
AOD-Net: AOD-Net[3]
R: Training with real data
S: Training with synthesized data
S+R: Training with synthesized and real data
DarkChannel.py is the dehaze method using dark channel. This program is obtained from internet:
HazeGen.py is the program for synthesizing haze images
The training program is modified from AOD-Net: https://github.com/TheFairBear/PyTorch-Image-Dehazing
Todo:
(1) Version-2: Codes and results will be optimized
(2) Documents for more details
(3) Add a module to determine whether smoke is produced
Reference:
[1] Real images in partial nephrectomy in da Vinci surgery. Website: hamlyn.doc.ic.ac.uk/vision/
[2] Single Image Haze Removal Using Dark Channel Prior
[3] AOD-Net: An All-in-One Network for Dehazing and Beyond
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
本项目是demo,可以直接使用代码注释清楚,文档教程完整。 基于卷积神经网络(CNN)的医学内窥镜除雾算法是一种利用深度学习技术来解决内窥镜图像中雾气干扰的问题。在医学内窥镜检查中,雾气会影响医生的视线,降低诊断的准确性。因此,开发一种有效的除雾算法对于提高内窥镜检查的质量和效率至关重要。 以下是这类算法的一般步骤: 数据收集与预处理:首先,收集内窥镜检查的视频或图像数据。对这些数据进行预处理,包括去噪、裁剪、缩放等,以确保数据质量并准备好输入到卷积神经网络中。 特征学习:使用CNN从预处理后的图像中自动学习特征。CNN能够识别图像中的局部模式和纹理信息,这些特征对于后续的雾气消除步骤至关重要。 雾气消除模型训练:设计一个卷积神经网络模型,该模型接受去雾后的图像作为输入,并输出消除雾气的增强图像。这个模型可以通过监督学习的方式进行训练,即使用带有雾气消除标注的图像对模型进行训练。 损失函数和优化:选择合适的损失函数,如均方误差(MSE)或结构相似性指数(SSIM),来衡量模型输出与真实去雾图像之间的差异。
资源推荐
资源详情
资源评论
收起资源包目录
基于CNN的医学内窥镜除雾算法.zip (8个子文件)
基于CNN的医学内窥镜除雾算法
HazeGen.py 2KB
dehaze.py 1KB
dataloader.py 2KB
DarkChannel.py 2KB
train.py 4KB
example
example.gif 51.3MB
net.py 3KB
README.md 1KB
共 8 条
- 1
资源评论
- ROMEO1101102024-06-06资源不错,内容挺好的,有一定的使用价值,值得借鉴,感谢分享。
小码蚁.
- 粉丝: 2658
- 资源: 4467
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功