一种X光图像修复方法及装置与流程

一种x光图像修复方法及装置
技术领域
1.本发明涉及图像处理技术领域，特别是涉及一种x光图像修复方法及装置。


背景技术：

2.在给人、动物等对象体拍摄x光图像时，x光成像设备所拍摄的x光图像可能存在扭曲、变形等情况，为便于对x光图像进行校正，一般在x光成像设备中增加标定板，以使得拍摄得到的x光图像中存在标定板信息。这样对x光图像进行校正时，可以基于x光图像中的标定板信息实现校正。
3.然而，由于标定板具有遮挡性，所以，在拍摄x光图像时，对象体的部分区域被标定板遮挡，从而导致x光图像中与标定板对应的区域出现图像内容缺失的情况，因此，需要对x光图像进行修复，以得到完整的x光图像。


技术实现要素：

4.本发明实施例的目的在于提供一种x光图像修复方法及装置，以得到完整的x光图像。具体技术方案如下：
5.第一方面，本发明实施例提供了一种x光图像修复方法，所述方法包括：
6.识别待修复x光图像中与标定板内标定点相对应的第一区域；
7.将所述第一区域和第二区域内的像素点调整为白色像素点，得到第一x光图像，其中，所述第二区域为：所述待修复x光图像中与所述标定板的固定架相对应的区域；
8.将所述第一x光图像输入预设的图像修复模型进行图像修复，得到修复后的x光图像，其中，所述图像修复模型是基于生成对抗网络训练得到的、用于进行图像修复的模型，所述图像修复模型对待修复图像进行下采样处理得到下采样图像，并通过对所述下采样图像进行上采样处理的方式实现对所述待修复图像修复。
9.本发明的一个实施例中，所述识别待修复x光图像中与标定板内标定点相对应的第一区域，包括：
10.识别待修复x光图像中黑色的圆形区域，作为与标定板内标定点对应的第一区域。
11.本发明的一个实施例中，所述将所述第一区域和第二区域内的像素点调整为白色像素点，得到第一x光图像，包括：
12.在所述待修复x光图像中除所述第一区域外的区域内，检测黑色像素点所在的区域，将检测到的区域和所述第一区域内的像素点调整为白色像素点；
13.或
14.识别所述待修复x光图像中预设区域内包含黑色像素点、且区域形状与预设形状相匹配的连通区域，作为与所述标定板的固定架相对应的第二区域，将所述第一区域和第二区域内的像素点调整为白色像素点。
15.本发明的一个实施例中，在所述识别待修复x光图像中与标定板内标定点相对应的第一区域之后，还包括：
16.生成与所述待修复x光图像大小相同、并反映所述第一区域中待修复区域的二值图像，作为第一标签图像；
17.所述将所述第一x光图像输入预设的图像修复模型进行图像修复，得到修复后的图像，包括：
18.将所述第一x光图像和第一标签图像输入所述预设的图像修复模型，以使得所述图像修复模型对所述第一x光图像进行下采样处理得到第一下采样图像，并通过对所述第一下采样图像进行上采样处理的方式，对所述第一下采样图像中与所述待修复区域相对应的区域进行图像修复，得到修复后的图像。
19.本发明的一个实施例中，通过以下方式训练得到所述图像修复模型：
20.获得原始样本x光图像；
21.将所述原始样本x光图像中第一预设区域内像素点调整为白色像素点，得到第一样本x光图像；
22.将所述第一样本x光图像输入所述图像修复模型，以使得所述图像修复模型对所述第一样本x光图像进行下采样处理得到下采样样本x光图像，并通过对所述下采样样本x光图像进行上采样处理的方式进行图像修复，得到第二样本x光图像；
23.根据所述第二样本x光图像和所述原始样本x光图像，计算所述图像修复模型的训练损失；
24.按照所述训练损失，调整所述图像修复模型的模型参数；
25.在未满足训练结束条件的情况下，返回所述获得原始样本x光图像的步骤。
26.本发明的一个实施例中，所述根据所述第二样本x光图像和所述原始样本x光图像，计算所述图像修复模型的训练损失，包括：
27.按照以下表达式计算所述训练损失：
[0028][0029]
其中，表示训练损失，e
(s,y)
[]、e
(s，z)
[]表示求和操作，d(s,y)表示在已知s的情况下判别y是否为x光成像设备所拍摄的图像的概率，s表示预设信息，y表示原始样本x光图像，d(s,g(s,z))表示在已知s的情况下判别g(s,z)是否为x光成像设备所拍摄的图像的概率，g(s,z)表示第二样本x光图像，z表示随机噪音。
[0030]
本发明的一个实施例中，在所述获得原始样本x光图像之后，还包括：
[0031]
生成与所述原始样本x光图像大小相同、并反映第二预设区域的二值图像，作为第二标签图像，其中，所述第二预设区域为所述第一预设区域中的部分区域；
[0032]
所述将所述第一样本x光图像输入所述图像修复模型，以使得所述图像修复模型对所述第一样本x光图像进行下采样处理得到下采样样本x光图像，并通过对所述下采样样本x光图像进行上采样处理的方式进行图像修复，得到第二样本x光图像，包括：
[0033]
将所述第一样本x光图像和第二标签图像输入所述图像修复模型，以使得所述图像修复模型对所述第一样本x光图像进行下采样处理得到下采样样本x光图像，并通过对所述下采样样本x光图像进行上采样处理的方式，对所述下采样样本x光图像中与所述第二预设区域相对应的区域进行图像修复，得到第二样本x光图像；
[0034]
所述根据所述第二样本x光图像和所述原始样本x光图像，计算所述图像修复模型
的训练损失，包括：
[0035]
将所述原始样本x光图像中第三预设区域内像素点调整为白色像素点，得到第三样本x光图像，其中，所述第三预设区域为：所述第一预设区域中除所述第二预设区域外的区域；
[0036]
根据所述第二样本x光图像和所述第三样本x光图像，计算所述图像修复模型的训练损失。
[0037]
本发明的一个实施例中，所述获得原始样本x光图像，包括：
[0038]
获得ct数据；
[0039]
基于不同的处理参数，对所述ct数据进行数字重组放射影像处理，得到x光图像，作为所述原始样本x光图像。
[0040]
第二方面，本发明实施例提供了一种x光图像修复装置，所述装置包括：
[0041]
识别模块，用于识别待修复x光图像中与标定板内标定点相对应的第一区域；
[0042]
第一调整模块，用于将所述第一区域和第二区域内的像素点调整为白色像素点，得到第一x光图像，其中，所述第二区域为：所述待修复x光图像中与所述标定板的固定架相对应的区域；
[0043]
第一修复模块，用于将所述第一x光图像输入预设的图像修复模型进行图像修复，得到修复后的x光图像，其中，所述图像修复模型是基于生成对抗网络训练得到的、用于进行图像修复的模型，所述图像修复模型对待修复图像进行下采样处理得到下采样图像，并通过对所述下采样图像进行上采样处理的方式实现对所述待修复图像修复。
[0044]
本发明的一个实施例中，所述识别模块，具体用于：
[0045]
识别待修复x光图像中黑色的圆形区域，作为与标定板内标定点对应的第一区域。
[0046]
本发明的一个实施例中，所述第一调整模块，具体用于：
[0047]
在所述待修复x光图像中除所述第一区域外的区域内，检测黑色像素点所在的区域，将检测到的区域和所述第一区域内的像素点调整为白色像素点；
[0048]
或
[0049]
识别所述待修复x光图像中预设区域内包含黑色像素点、且区域形状与预设形状相匹配的连通区域，作为与所述标定板的固定架相对应的第二区域，将所述第一区域和第二区域内的像素点调整为白色像素点。
[0050]
本发明的一个实施例中，所述装置还包括：
[0051]
第一生成模块，用于在所述第一调整模块将所述第一区域和第二区域内的像素点调整为白色像素点，得到第一x光图像之后，生成与所述待修复x光图像大小相同、并反映所述第一区域中待修复区域的二值图像，作为第一标签图像；
[0052]
所述第一修复模块，具体用于：
[0053]
将所述第一x光图像和第一标签图像输入所述预设的图像修复模型，以使得所述图像修复模型对所述第一x光图像进行下采样处理得到第一下采样图像，并通过对所述第一下采样图像进行上采样处理的方式，对所述第一下采样图像中与所述待修复区域相对应的区域进行图像修复，得到修复后的图像。
[0054]
本发明的一个实施例中，所述装置还包括：
[0055]
获得模块，用于获得原始样本x光图像；
[0056]
第二调整模块，用于将所述原始样本x光图像中第一预设区域内像素点调整为白色像素点，得到第一样本x光图像；
[0057]
第二修复模块，用于将所述第一样本x光图像输入所述图像修复模型，以使得所述图像修复模型对所述第一样本x光图像进行下采样处理得到下采样样本x光图像，并通过对所述下采样样本x光图像进行上采样处理的方式进行图像修复，得到第二样本x光图像；
[0058]
计算模块，用于根据所述第二样本x光图像和所述原始样本x光图像，计算所述图像修复模型的训练损失；
[0059]
第三调整模块，用于按照所述训练损失，调整所述图像修复模型的模型参数，在未满足训练结束条件的情况下，触发所述获得模块。
[0060]
本发明的一个实施例中，所述计算模块，具体用于：
[0061]
按照以下表达式计算所述训练损失：
[0062][0063]
其中，表示训练损失，e
(s,y)
[]、e
(s，z)
[]表示求和操作，d(s,y)表示在已知s的情况下判别y是否为x光成像设备所拍摄的图像的概率，s表示预设信息，y表示原始样本x光图像，d(s,g(s,z))表示在已知s的情况下判别g(s,z)是否为x光成像设备所拍摄的图像的概率，g(s,z)表示第二样本x光图像，z表示随机噪音。
[0064]
本发明的一个实施例中，所述装置还包括：
[0065]
第二生成模块，用于在所述获得模块获得原始样本x光图像之后，生成与所述原始样本x光图像大小相同、并反映第二预设区域的二值图像，作为第二标签图像，其中，所述第二预设区域为所述第一预设区域中的部分区域；
[0066]
所述第二修复模块，具体用于：
[0067]
将所述第一样本x光图像和第二标签图像输入所述图像修复模型，以使得所述图像修复模型对所述第一样本x光图像进行下采样处理得到下采样样本x光图像，并通过对所述下采样样本x光图像进行上采样处理的方式，对所述下采样样本x光图像中与所述第二预设区域相对应的区域进行图像修复，得到第二样本x光图像；
[0068]
所述计算模块，具体用于：
[0069]
将所述原始样本x光图像中第三预设区域内像素点调整为白色像素点，得到第三样本x光图像，其中，所述第三预设区域为：所述第一预设区域中除所述第二预设区域外的区域；
[0070]
根据所述第二样本x光图像和所述第三样本x光图像，计算所述图像修复模型的训练损失。
[0071]
本发明的一个实施例中，所述获得模块，具体用于：
[0072]
获得ct数据；
[0073]
基于不同的处理参数，对所述ct数据进行数字重组放射影像处理，得到x光图像，作为所述原始样本x光图像。
[0074]
第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
[0075]
存储器，用于存放计算机程序；
[0076]
处理器，用于执行存储器上所存放的程序时，实现上述第一方面任一所述的x光图像修复方法步骤。
[0077]
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一所述的x光图像修复方法步骤。
[0078]
本发明实施例有益效果：
[0079]
应用本发明实施例提供的方案对图像进行处理时，通过识别待修复x光图像中与标定板内标定点相对应的第一区域，将第一区域和待修复x光图像中与标定板的固定架相对应的区域内的像素点调整为白色像素点，得到第一x光图像，再将第一x光图像输入预设的图像修复模型进行图像修复，得到修复后的x光图像。由于图像修复模型是基于生成对抗网络训练得到的，而生成对抗网络是一种深度学习模型，对生成对抗网络进行训练，可以使得训练后得到的图像修复模型依据训练时学习到的x光图像的特征，将输入至图像修复模型的x光图像修复至与实际x光图像相似度高的x光图像，从而最大程度还原x光图像的实际情况。综合以上可以得知，应用本发明实施例提供的方案进行x光图像修复，能够得到完整的x光图像。
附图说明
[0080]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的实施例。
[0081]
图1a为本发明实施例提供的第一种x光图像修复方法的流程示意图；
[0082]
图1b为本发明实施例提供的一张待修复x光图像；
[0083]
图1c为本发明实施例提供的一张像素点调整后的第一x光图像；
[0084]
图1d为本发明实施例提供的一张修复后的x光图像；
[0085]
图2为本发明实施例提供的第二种x光图像修复方法的流程示意图；
[0086]
图3a为本发明实施例提供的第一种用于得到图像修复模型的训练方法的流程示意图；
[0087]
图3b为本发明实施例提供的一张原始样本x光图像；
[0088]
图3c为本发明实施例提供的一张第一样本x光图像；
[0089]
图4a为本发明实施例提供的第二种用于得到图像修复模型的训练方法的流程示意图；
[0090]
图4b为本发明实施例提供的一张第二标签图像；
[0091]
图4c为本发明实施例提供的一张第三样本x光图像；
[0092]
图5为本发明实施例提供的第三种用于得到图像修复模型的训练方法的流程示意图；
[0093]
图6为本发明实施例提供的第一种x光图像修复装置的结构示意图；
[0094]
图7为本发明实施例提供的第二种x光图像修复装置的结构示意图；
[0095]
图8为本发明实施例提供的第一种用于得到图像修复模型的训练装置的结构示意
图；
[0096]
图9为本发明实施例提供的第二种用于得到图像修复模型的训练装置的结构示意图；
[0097]
图10为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
[0098]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员基于本技术所获得的所有其他实施例，都属于本发明保护的范围。
[0099]
参见图1a，提供了第一种x光图像修复方法的流程示意图，上述方法包括以下步骤s101-s103。
[0100]
步骤s101：识别待修复x光图像中与标定板内标定点相对应的第一区域。
[0101]
标定板中包含标定点，在x光成像设备中增加标定板后，所拍摄x光图像能够显示与标定点相对应的图像内容，也就是说，x光图像中会带有与标定点相对应的图像内容。
[0102]
例如，参见图1b，图为本发明实施例提供的一张待修复x光图像，由图1b可见，该x光图像的中间区域分布着多个排列整齐的黑色圆形区域，每一个黑色圆形区域均对应标定板中一个标定点。
[0103]
一种情况下，标定板中的标定点是金属小球，根据x光成像原理，标定点在x光图像中呈黑色的圆形区域，因此可以识别待修复x光图像中黑色的圆形区域，作为与标定板内标定点对应的第一区域。
[0104]
具体的，可以利用霍夫找圆算法识别待修复x光图像中的黑色圆形区域，将识别出的黑色圆形区域作为第一区域。也可以是利用其他方式识别待修复x光图像中的黑色圆形区域，例如，可以确定黑色像素点形成的边缘，若上述边缘为圆形，也可以认为该边缘所围成的区域为黑色圆形区域。
[0105]
另一种情况下，也可以根据标定点在标定板中的位置信息，通过识别待修复x光图像中与标定板相对应的区域，确定与标定板内标定点相对应的第一区域。
[0106]
步骤s102：将第一区域和第二区域内的像素点调整为白色像素点，得到第一x光图像。
[0107]
其中，第二区域为：待修复x光图像中与标定板的固定架相对应的区域。
[0108]
将第一区域和第二区域内的像素点调整为白色像素点，也就是，将第一区域和第二区域内像素点的像素值调整为白色对应的像素值，例如，若白色对应的像素值为0，则将第一区域和第二区域内像素点的像素值调整为0。
[0109]
一种实现方式中，标定板通过固定架固定，在x光图像中呈黑色区域，因此可以在待修复x光图像中除第一区域外的区域内，检测黑色像素点所在的区域，检测到的区域中包括与固定架相对应的区域，也就是，上述第二区域，将检测到的区域和第一区域内的像素点调整为白色像素点，这样可以保证将第二区域内的像素点也调整为白色像素点。
[0110]
具体的，可以通过判断待修复x光图像中除第一区域外的区域内像素点的像素值是否为黑色对应的像素值，若是，则确定该像素点为黑色像素点，进而检测出黑色像素点所
在的区域，并将检测到的区域和第一区域内的像素点调整为白色像素点。
[0111]
另外，若待修复x光图像中除第一区域和第二区域外的区域内存在其他包含黑色像素点的区域，则该区域也会被检测到，并将该区域内像素点调整为白色像素点。
[0112]
另一种实现方式下，可以识别待修复x光图像中预设区域内包含黑色像素点、且区域形状与预设形状相匹配的连通区域，作为与标定板的固定架相对应的第二区域，将第一区域和第二区域内的像素点调整为白色像素点。
[0113]
由于标定板的固定架的形状是已知的，而且在x光成像设备中增加标定板时，标定板和固定架的位置往往是固定不变的，因此，待修复x光图像中第二区域尽管会由于x光成像设备参数的变化发生细微变化，但与标定板的固定架相对应的区域一般包含在待修复x光图像中的预设区域内。因此，可以识别待修复x光图像中预设区域内包含黑色像素点、且区域形状与预设形状相匹配的连通区域，作为与标定板的固定架相对应的第二区域，将第一区域和第二区域内的像素点调整为白色像素点。
[0114]
上述预设区域可以是预先设置的较为宽泛的区域，例如，待修复x光图像的下半区域等；上述预设区域还可以是预先设置的较为精细的区域，例如，工作人员可以观察以往所拍摄的x光图像，确定其中与标定板的固定架相对应的区域，然后对这些区域在x光图像中的位置进行总结，根据所总结出的位置推测出上述较为精细的区域。
[0115]
例如，在图1b所示的待修复x光图像中，与标定板的固定架相对应的区域为位于x光图像的下半区域、形状类似于“凸”形的黑色区域，因此可以根据上述实现方式对该区域进行调整。
[0116]
参见图1c，示出了一张像素点调整后的第一x光图像，由图1c可以看出，该x光图像中位于x光图像中间区域的多个圆形区域被调整为了白色圆形区域，位于该x光图像下半区域的、形状类似于“凸”形的黑色区域也被调整为了白色区域，并且该x光图像的黑色边界区域同样被调整为了白色边界区域。
[0117]
步骤s103：将第一x光图像输入预设的图像修复模型进行图像修复，得到修复后的x光图像。
[0118]
其中，图像修复模型是基于生成对抗网络训练得到的、用于进行图像修复的模型，图像修复模型对待修复图像进行下采样处理得到下采样图像，并通过对下采样图像进行上采样处理的方式实现对待修复图像修复。
[0119]
上述生成对抗网络是一种深度学习模型，包含生成器和判别器，其中，生成器和判别器可以是卷积神经网络、全连接神经网络和其他神经网络中其中一种。本实施例中，上述生成器可应用在模型训练阶段，也可应用在模型推理阶段，用于对图像进行修复，上述判别器主要应用在模型训练阶段，用于判别修复后的图像与期望图像之间的差异，进而依据上述差异对模型参数进行调整。
[0120]
上述图像修复模型可以是对生成对抗网络进行训练得到的包含生成器和判别器的模型，也可以是将训练完成后的生成对抗网络的生成器部分作为图像修复模型。
[0121]
由于待修复图像本质上为一个样值序列，因此在图像修复模型对待修复图像进行下采样处理得到下采样图像的过程中，可以通过每间隔预设样值进行一次采样的方式得到的新样值序列即为下采样图像。也可以以对待修复图像进行多层卷积变换的方式实现对待修复图像进行下采样处理，由于对图像进行卷积变换可以提取图像特征，而待修复图像中
待修复区域所展示的图像内容通常不包含图像特征，因此，对待修复图像进行卷积变换的过程中，待修复图像的特征得到了保留，而不包含图像特征的区域被舍弃，对待修复图像进行多层卷积变换后得到的图像可以被认为是待修复图像的特征图像，即下采样图像。
[0122]
对下采样图像进行上采样处理可以通过插值法、转置卷积法或上池化法等方法实现。例如，在利用转置卷积法对下采样图像进行上采样处理时，利用转置卷积矩阵对下采样图像进行转置卷积操作，从而对下采样图像中每个像素点进行扩充。又例如，在利用插值法对下采样图像进行上采样处理时，可以在下采样图像的特定位置插入像素行或者像素列，该像素行或像素列中每个像素点的像素值依据与该像素行或像素列相邻的像素点的像素值进行确定。
[0123]
参见图1d，示出了一张修复后的x光图像，该x光图像为将图1c所示的第一x光图像输入图像修复模型进行图像修复，得到的修复后的x光图像，由图1d可以看出，进行图像修复后的x光图像能够显示完整的图像内容。
[0124]
由以上可见，本发明实施例提供的方案中，通过识别待修复x光图像中与标定板内标定点相对应的第一区域，将第一区域和待修复x光图像中与标定板的固定架相对应的区域内的像素点调整为白色像素点，得到第一x光图像，再将第一x光图像输入预设的图像修复模型进行图像修复，得到修复后的x光图像。由于图像修复模型是基于生成对抗网络训练得到的，而生成对抗网络是一种深度学习模型，对生成对抗网络进行训练，可以使得训练后得到的图像修复模型依据训练时学习到的x光图像的特征，将输入至图像修复模型的x光图像修复至与实际x光图像相似度高的x光图像，从而最大程度还原x光图像的实际情况。综合以上可以得知，应用本发明实施例提供的方案进行x光图像修复，能够得到完整的x光图像。
[0125]
本发明的一个实施例中，参见图2，提供了第二种x光图像修复方法的流程示意图，与前述图1所示实施例相比，本实施例中，在上述步骤s101识别待修复x光图像中与标定板内标定点相对应的第一区域之后，还包括以下步骤s104。
[0126]
步骤s104：生成与待修复x光图像大小相同、并反映第一区域中待修复区域的二值图像，作为第一标签图像。
[0127]
由于第一标签图像为二值图像，因此第一标签图像中仅包含两种像素值的像素点，为表述方便，这里称为第一像素点和第二像素点。
[0128]
由于待修复x光图像与第一标签图像的大小相同，因此待修复x光图像中的像素点与第一标签图像中的像素点存在一一对应的位置关系。
[0129]
第一标签图像可以反映第一区域中待修复区域，也就是，通过第一标签图像中第一像素点和第二像素点的分布情况可以得知待修复x光图像中需要进行图像修复的区域。
[0130]
例如，可以指定与第一像素点对应的待修复x光图像中的像素点为属于第一区域中待修复区域的像素点，与第二像素点对应的待修复x光图像中的像素点为待修复区域外的区域的像素点。
[0131]
上述第一像素点可以是白色像素点，上述第二像素点可以是黑色像素点。
[0132]
上述待修复区域可以是工作人员按照实际需求在第一区域中所指定的待修复区域。
[0133]
上述待修复区域也可以是按照特定规律选择的第一区域中的区域，例如，由于第一区域为一个包含多个圆形区域、并排列整齐的离散区域，因此可以按照一定的方向，选择
排列顺序为偶数的圆形区域作为待修复区域。
[0134]
上述步骤s103将第一x光图像输入预设的图像修复模型进行图像修复，得到修复后的图像，包括以下步骤s103a。
[0135]
步骤s103a：将第一x光图像和第一标签图像输入预设的图像修复模型，以使得图像修复模型对第一x光图像进行下采样处理得到第一下采样图像，并通过对第一下采样图像进行上采样处理的方式，对第一下采样图像中与待修复区域相对应的区域进行图像修复，得到修复后的图像。
[0136]
由上述步骤s102可知，上述第一x光图像是对待修复x光图像中第一区域和第二区域的像素点进行调整得到的，因此第一x光图像中待修复区域与待修复x光图像中第一区域内待修复区域相对应。由于上述第一标签图像可以反映第一区域中待修复区域，也就能够反映第一x光图像中待修复区域。
[0137]
将第一x光图像和第一标签图像输入预设的图像修复模型，由于第一标签图像反映了第一x光图像中待修复区域，也就使得图像修复模型能够根据第一标签图像识别出第一x光图像中待修复区域，从而对第一x光图像进行图像修复时，针对第一x光图像中待修复区域进行图像修复，而对第一x光图像中除待修复区域外的区域所显示的图像内容进行保留。
[0138]
由于图像修复模型需要针对第一x光图像中待修复区域进行图像修复，因此在对第一x光图像进行下采样处理得到第一下采样图像时，需要对除待修复区域外的区域所显示的图像内容进行保留，以用于在对第一下采样图像进行上采样处理得到修复后的图像时，将除待修复区域外的区域所显示的图像内容还原至修复后的图像中，并对第一下采样图像中与待修复区域向对应的区域进行图像修复。
[0139]
具体的，对第一x光图像进行下采样处理的实现方式与步骤s103中对待修复图像进行下采样处理的实现方式相同；对第一下采样图像进行上采样处理的实现方式与步骤s103中对下采样图像进行上采样处理的实现方式相同。
[0140]
由以上可见，本发明实施例提供的方案中，将所生成的第一标签图像和第一x光图像输入预设的图像修复模型，能够使得图像修复模型对第一x光图像进行下采样处理得到第一下采样图像，并通过对第一下采样图像进行上采样处理的方式，对第一下采样图像中与待修复区域相对应的区域进行图像修复，由于第一标签图像反映了第一区域中待修复区域，也就是，通过将第一标签图像输入图像修复模型，使得图像修复模型识别到第一标签图像中的待修复区域，进而在对第一下采样图像进行上采样处理时，对第一下采样图像中与待修复区域相对应的区域进行图像修复。通过将第一标签图像输入图像修复模型，可以使得图像修复模型针对第一x光图像中待修复区域进行图像修复，提高了图像修复过程的可控性。
[0141]
本发明的一个实施例中，参见图3a，提供了第一种用于得到图像修复模型的训练方法的流程示意图，上述训练方式包括以下步骤s301-s306。
[0142]
步骤s301：获得原始样本x光图像。
[0143]
上述原始样本x光图像可以是由x光成像设备拍摄所得到的，也可以是根据对象体的其他数据信息转换得到的，例如，可以基于ct数据，利用数字重组放射影像技术生成原始样本x光图像。利用数字重组放射影像技术获得原始样本x光图像的具体实施步骤在后续实
施例中进行说明，这里暂不详述。
[0144]
步骤s302：将原始样本x光图像中第一预设区域内像素点调整为白色像素点，得到第一样本x光图像。
[0145]
由于训练的目的是为了让训练得到的图像修复模型对待修复图像进行图像修复，因此输入至未训练完成的图像修复模型中的样本图像应当与训练得到的图像修复模型所需处理的图像具有相同的图像特征，这样才能使得图像修复模型根据这些特征对待修复图像进行图像修复。
[0146]
上述第一预设区域可以基于待修复x光图像中与标定点相对应的区域的特征进行确定。例如，待修复x光图像中与标定点相对应的区域为不连续的多个圆形区域，则第一预设区域可以设置为不连续的多个圆形区域，并且可以根据待修复x光图像中与标定点相对应的区域出现的实际情况，例如由于x光成像设备参数的改变导致的与标定点相对应的圆形区域的大小发生改变，针对这种情况，第一预设区域中每个圆形区域的半径可以设置为不全相同，以提高图像修复模型的鲁棒性。
[0147]
上述将像素点调整为白色像素点可以看做是模拟x光图像中部分区域被遮挡，调整后得到的x光图像可以看做是部分图像内容被遮挡的x光图像，进行像素点调整的白色像素点所在区域可以看做是x光图像中被遮挡的区域。
[0148]
例如，参见图3b，示出了一张原始样本x光图像，将图3b所示x光图像中第一预设区域内像素点调整为白色像素点，可以得到如图3c所示的第一样本x光图像，由图3c可以看出，图3c所示x光图像中均匀分布着多个半径不同的白色圆形区域。
[0149]
步骤s303：将第一样本x光图像输入图像修复模型，以使得图像修复模型对第一样本x光图像进行下采样处理得到下采样样本x光图像，并通过对下采样样本x光图像进行上采样处理的方式进行图像修复，得到第二样本x光图像。
[0150]
与上述步骤s103相同，对输入至图像修复模型的第一样本x光图像进行下采样处理得到下采样样本x光图像，并通过对下采样样本x光图像进行上采样处理的方式进行图像修复，但由于此时图像修复模型并没有完成训练，图像修复模型中的模型参数没有调整至合适的参数，因此由图像修复模型对第一样本x光图像进行图像修复得到的第二样本x光图像的修复程度较低。
[0151]
步骤s304：根据第二样本x光图像和原始样本x光图像，计算图像修复模型的训练损失。
[0152]
上述训练损失用于表征第二样本x光图像和原始样本x光图像之间的差异程度，若训练损失越大，则表示第二样本x光图像和原始样本x光图像之间的差异越大，也就说明图像修复模型对第一样本x光图像进行图像修复得到的第二样本x光图像的修复程度越低，该图像修复模型的修复精度越低；若训练损失越小，则表示第二样本x光图像和原始样本x光图像之间的差异越小，也就说明图像修复模型对第一样本x光图像进行图像修复得到的第二样本x光图像的修复程度越高，该图像修复模型的修复精度越高。
[0153]
一种情况下，可以按照下列表达式计算训练损失：
[0154][0155]
其中，表示训练损失，e
(s,y)
[]、e
(s，z)
[]表示求和操作，d(s,y)表示
在已知s的情况下判别y是否为x光成像设备所拍摄的图像的概率，s表示预设信息，y表示原始样本x光图像，d(s,g(s,z))表示在已知s的情况下判别g(s,z)是否为x光成像设备所拍摄的图像的概率，g(s,z)表示第二样本x光图像，z表示随机噪音。
[0156]
上述预设信息s可以是图像信息，也可以包含其他模态的数据信息以及标签信息。
[0157]
由于图像修复模型是基于生成对抗网络训练得到的，因此，训练图像修复模型的过程也就是训练生成对抗网络的过程。生成对抗网络包含生成器和判别器，其中，生成器用于对x光图像进行修复，生成修复后的x光图像，判别器用于模型训练过程，用于对生成器的输出进行判别，例如，计算训练损失、确定对网络参数进行调整的信息等。则上述表达式中，d(s,y)表示判别器在输入为s和y的情况下的输出，d(s,g(s,z))表示判别器在输入为s和g(s,z)的情况下的输出，g(s,z)表示生成器在输入为s和z的情况下的输出。
[0158]
步骤s305：按照训练损失，调整图像修复模型的模型参数。
[0159]
图像修复模型是一种神经网络模型，在该神经网络模型中包含有输入层、输出层，以及一个或者多个隐藏层，每个层次中包含多个节点，相邻层次的节点与节点之间设置有权重系数。因此，按照训练损失，调整图像修复模型的模型参数可以是基于训练损失，调整图像修复模型中包含的权重系数。例如，现有一个权重系数为w1，训练损失为l1，则可基于训练损失，将该权重系数调整为w
1-0.1l1。
[0160]
进一步的，可以按照以满足下列表达式的方式调整图像修复模型的模型参数：
[0161][0162]
结合上述步骤s304中提到的计算训练损失的表达式，上述表达式中：g表示生成器，用于捕捉输入至生成器g的x光图像中的数据分布，d表示判别器，用于判别输入至判别器的x光图像为真实x光图像而非生成x光图像的概率，其中，真实x光图像是指由x光成像设备拍摄的x光图像，生成x光图像是指利用图像生成模型或者图像生成技术生成的x光图像。例如，图像生成模型可以是生成器g。
[0163]
具体的，调整生成器g和判别器d参数的过程为下列步骤一和步骤二交替进行的过程。
[0164]
步骤一：固定判别器d，也就是保持判别器d的参数不变，调整生成器g的参数，使得log(1-d(g(z))的期望最小化。
[0165]
步骤二：固定生成器g，也就是保持生成器g的参数不变，调整判别器d的参数，使得logd(y) log(1-d(g(z)))的期望最大化。
[0166]
步骤s306：判断是否满足训练结束条件，若为是，则执行步骤s307，若为否，则返回步骤s301。
[0167]
上述训练结束条件可以是判断训练次数是否达到了预设次数，例如，训练结束条件可以是判断训练次数是否达到了一千次。
[0168]
上述训练结束条件也可以是图像修复模型达到了收敛性要求。
[0169]
步骤s307：结束训练，得到图像修复模型。
[0170]
由以上可见，本发明实施例提供的方案中，将原始样本x光图像中的第一预设区域内像素点调整为白色像素点，得到第一样本x光图像，图像修复模型可以对第一样本x光图像进行图像修复，得到第二样本x光图像，再根据第二样本x光图像与原始样本x光图像，计
算图像修复模型的训练损失，从而按照训练损失调整图像修复模型的模型参数。由于训练图像修复模型的目的是使得由图像修复模型输出的x光图像显示完整的图像内容，也就是需要使得由图像修复模型输出得到的第二样本x光图像与原始样本x光图像所显示的图像内容相同。图像修复模型的训练损失表征第二样本x光图像和原始样本x光图像的差异程度，因此，按照图像修复模型的训练损失调整图像修复模型的模型参数，可以使得图像修复模型在进行了大量的训练之后，输出包含较为完整的图像内容的x光图像。综上可知，应用本发明实施例提供的方案对图像修复模型进行训练，可以使得图像修复模型较为精准的对待修复图像进行图像修复。
[0171]
本发明的一个实施例中，参见图4a，提供了第二种用于得到图像修复模型的训练方法的流程示意图，与前述图3所示实施例相比，本实施例中，在上述步骤s301获得原始样本x光图像之后，还包括以下步骤s308。
[0172]
步骤s308：生成与原始样本x光图像大小相同、并反映第二预设区域的二值图像，作为第二标签图像。
[0173]
其中，第二预设区域为第一预设区域中的部分区域。
[0174]
由于第二标签图像为二值图像，因此第二标签图像中仅包含两种像素值的像素点，为表述方便，这里称为第一标签像素点和第二标签像素点。
[0175]
由于原始样本x光图像与第二标签图像的大小相同，因此原始样本x光图像中的像素点与第二标签图像中的像素点存在一一对应的位置关系。第二标签图像可以反映第二预设区域，也就是，通过第二标签图像中第一标签像素点和第二标签像素点的分布情况可以得知原始样本x光图像中第二预设区域。
[0176]
例如，可以指定与第一标签像素点对应的原始样本x光图像中的像素点为属于第二预设区域的像素点，与第二标签像素点对应的原始样本x光图像中的像素点为第二预设区域外的区域的像素点。
[0177]
上述第一标签像素点可以是白色像素点，上述第二标签像素点可以是黑色像素点。
[0178]
上述第二预设区域可以是随机选择的第一区域中的部分区域。
[0179]
参见图4b，示出了一张第二标签图像，由图3c和图4b进行对比可以看出，图4b中白色圆形区域与图3c中部分白色圆形区域重叠，也就是，图3c中与图4b中白色圆形区域重叠的区域为图3c所示的第一样本x光图像的待修复区域。
[0180]
上述步骤s303将第一样本x光图像输入图像修复模型，以使得图像修复模型对第一样本x光图像进行下采样处理得到下采样样本x光图像，并通过对下采样样本x光图像进行上采样处理的方式进行图像修复，得到第二样本x光图像，包括以下步骤s303a。
[0181]
步骤s303a：将第一样本x光图像和第二标签图像输入图像修复模型，以使得图像修复模型对第一样本x光图像进行下采样处理得到下采样样本x光图像，并通过对下采样样本x光图像进行上采样处理的方式，对下采样样本x光图像中与第二预设区域相对应的区域进行图像修复，得到第二样本x光图像。
[0182]
该步骤与上述步骤s103a相对应，第二预设区域可以看做是反映第一样本x光图像中需要修复的区域，将第二标签图像输入图像修复模型中，可以使得图像修复模型识别第一样本x光图像中与第二预设区域相对应的区域作为需要修复的区域，从而对第一样本x光
图像进行图像修复时，针对第一样本x光图像中需要修复的区域进行图像修复，而对第一样本x光图像中不需要进行修复的区域所显示的图像内容进行保留。
[0183]
上述步骤s304根据第二样本x光图像和原始样本x光图像，计算图像修复模型的训练损失，包括以下步骤s304a-s304b。
[0184]
步骤s304a：将原始样本x光图像中第三预设区域内像素点调整为白色像素点，得到第三样本x光图像。
[0185]
其中，第三预设区域为：第一预设区域中除第二预设区域外的区域。
[0186]
具体的，将原始样本x光图像中第三预设区域内像素点调整为白色像素点可以通过将第三预设区域内像素点的像素值调整为白色对应的像素值实现，从而得到第三样本x光图像。
[0187]
参见图4c，示出了一张第三样本x光图像，将图3c、图4b和图4c进行对比可以看出，图4b中白色圆形区域与图3c中部分白色圆形区域重叠，而图4c中白色圆形区域与图3c中第一预设区域内的其他部分白色圆形区域重叠，也就是，将图3b所示的原始样本x光图像中第三预设区域内像素点调整为白色像素点。
[0188]
步骤s304b：根据第二样本x光图像和第三样本x光图像，计算图像修复模型的训练损失。
[0189]
由于图像修复模型在对第一样本x光图像进行图像修复时是对下采样样本x光图像中与第二预设区域相对应的区域进行图像修复，因此，由图像修复模型得到的第二样本x光图像中依然有部分包含白色像素点的区域，也就是，图像修复模型对第一样本x光图像中第二预设区域进行了图像修复，而对第一预设区域中除第二预设区域外的区域未进行图像修复。因此此时需要将由图像修复模型得到的第二样本x图像与第三样本x光图像，才能计算得到正确的图像修复模型的训练损失。
[0190]
由以上可见，本发明实施例提供的方案中，生成了与原始样本x光图像大小相同的第二标签图像，并与第一样本x光图像一同输入图像修复模型中，使得图像修复模型对下采样样本x光图像中与第二预设区域相对应的区域进行图像修复，得到第二样本x光图像。经过上述步骤，可以使得图像修复模型做到对输入至图像修复模型的待修复图像进行有选择性的修复，从而使得对x光图像进行修复的过程可控制，针对不同的需求获得修复程度不同的x光图像。
[0191]
本发明的一个实施例中，参见图5，提供了第三种用于得到图像修复模型的训练方法的流程示意图，与前述图3所示实施例相比，本实施例中，上述步骤获得原始样本x光图像，包括以下步骤s301a-s301b。
[0192]
步骤s301a：获得ct数据。
[0193]
上述ct数据可以是利用ct探测仪对对象体进行测量得到的对象体数据。
[0194]
步骤s301b：基于不同的处理参数，对ct数据进行数字重组放射影像处理，得到x光图像，作为原始样本x光图像。
[0195]
由于ct探测仪是在多个方向上对对象体进行测量，因此一份ct数据中包含了对象体的三维立体数据。对ct数据进行数字重组放射影像处理，也就是，从ct数据中投影出x光图像，不同的处理参数下，对ct数据进行投影的方向也就不同，从而可以得到不同的x光图像。例如，基于数字重组放射影像(digitally reconstructured radiograph，drr)技术，通
过调整投影参数，同一份ct数据可以生成多张x光图像。
[0196]
由以上可见，本发明实施例提供的方案中，可以通过对所获得的ct数据进行数字重组放射影像处理，得到x光图像作为原始样本x光图像，而不需要使用x光成像设备对对象体进行拍摄得到，大大提高了获得原始样本x光图像的效率，并且由于x光成像设备中使用的x光对对象体可能造成一定的身体损伤，因此不适宜用x光成像设备拍摄对象体的x光图像的方式去获得大量的原始样本x光图像。因此，本发明实施例提供的方案能够提高获得原始样本x光图像的效率。
[0197]
与上述x光图像修复方法相对应，本发明实施例还提供了一种x光图像修复装置。
[0198]
参见图6，提供了第一种x光图像修复装置的结构示意图，所述装置包括：
[0199]
识别模块601，用于识别待修复x光图像中与标定板内标定点相对应的第一区域；
[0200]
第一调整模块602，用于将所述第一区域和第二区域内的像素点调整为白色像素点，得到第一x光图像，其中，所述第二区域为：所述待修复x光图像中与所述标定板的固定架相对应的区域；
[0201]
第一修复模块603，用于将所述第一x光图像输入预设的图像修复模型进行图像修复，得到修复后的x光图像，其中，所述图像修复模型是基于生成对抗网络训练得到的、用于进行图像修复的模型，所述图像修复模型对待修复图像进行下采样处理得到下采样图像，并通过对所述下采样图像进行上采样处理的方式实现对所述待修复图像修复。
[0202]
由以上可见，本发明实施例提供的方案中，通过识别待修复x光图像中与标定板内标定点相对应的第一区域，将所述第一区域和所述待修复x光图像中与所述标定板的固定架相对应的区域内的像素点调整为白色像素点，得到第一x光图像，再将所述第一x光图像输入预设的图像修复模型进行图像修复，得到修复后的x光图像。由于图像修复模型是基于生成对抗网络训练得到的，而生成对抗网络是一种深度学习模型，对生成对抗网络进行训练，可以使得训练后得到的图像修复模型依据训练时学习到的x光图像的特征，将输入至图像修复模型的x光图像修复至与实际x光图像相似度高的x光图像，从而最大程度还原x光图像的实际情况。综合以上可以得知，应用本发明实施例提供的方案进行x光图像修复，能够得到完整的x光图像。
[0203]
本发明的一个实施例中，上述识别模块601，具体用于：
[0204]
识别待修复x光图像中黑色的圆形区域，作为与标定板内标定点对应的第一区域。
[0205]
本发明的一个实施例中，上述第一调整模块602，具体用于：
[0206]
在所述待修复x光图像中除所述第一区域外的区域内，检测黑色像素点所在的区域，将检测到的区域和所述第一区域内的像素点调整为白色像素点；
[0207]
本发明的另一个实施例中，上述第一调整模块602，具体用于：
[0208]
识别所述待修复x光图像中预设区域内包含黑色像素点、且区域形状与预设形状相匹配的连通区域，作为与所述标定板的固定架相对应的第二区域，将所述第一区域和第二区域内的像素点调整为白色像素点。
[0209]
本发明的一个实施例中，参见图7，提供了第二种x光图像修复装置的结构示意图，与前述图6所示实施例相比，本实施例中，所述装置还包括：
[0210]
第一生成模块604，用于在所述第一调整模块602将所述第一区域和第二区域内的像素点调整为白色像素点，得到第一x光图像之后，生成与所述待修复x光图像大小相同、并
反映所述第一区域中待修复区域的二值图像，作为第一标签图像；
[0211]
所述第一修复模块603，具体用于：
[0212]
将所述第一x光图像和第一标签图像输入所述预设的图像修复模型，以使得所述图像修复模型对所述第一x光图像进行下采样处理得到第一下采样图像，并通过对所述第一下采样图像进行上采样处理的方式，对所述第一下采样图像中与所述待修复区域相对应的区域进行图像修复，得到修复后的图像。
[0213]
由以上可见，本发明实施例提供的方案中，将所生成的第一标签图像和第一x光图像输入预设的图像修复模型，能够使得图像修复模型对第一x光图像进行下采样处理得到第一下采样图像，并通过对第一下采样图像进行上采样处理的方式，对第一下采样图像中与待修复区域相对应的区域进行图像修复，由于第一标签图像反映了第一区域中待修复区域，也就是，通过将第一标签图像输入图像修复模型，使得图像修复模型识别到第一标签图像中的待修复区域，进而在对第一下采样图像进行上采样处理时，对第一下采样图像中与待修复区域相对应的区域进行图像修复。通过将第一标签图像输入图像修复模型，可以使得图像修复模型针对第一x光图像中待修复区域进行图像修复，提高了图像修复过程的可控性。
[0214]
本发明的一个实施例中，参见图8，提供了第一种用于得到图像修复模型的训练装置的结构示意图，与前述图6所示实施例相比，本实施例中，通过以下模块训练得到所述图像修复模型：
[0215]
获得模块801，用于获得原始样本x光图像；
[0216]
第二调整模块802，用于将所述原始样本x光图像中第一预设区域内像素点调整为白色像素点，得到第一样本x光图像；
[0217]
第二修复模块803，用于将所述第一样本x光图像输入所述图像修复模型，以使得所述图像修复模型对所述第一样本x光图像进行下采样处理得到下采样样本x光图像，并通过对所述下采样样本x光图像进行上采样处理的方式进行图像修复，得到第二样本x光图像；
[0218]
计算模块804，用于根据所述第二样本x光图像和所述原始样本x光图像，计算所述图像修复模型的训练损失；
[0219]
第三调整模块805，用于按照所述训练损失，调整所述图像修复模型的模型参数，在未满足训练结束条件的情况下，触发所述获得模块801。
[0220]
由以上可见，本发明实施例提供的方案中，将原始样本x光图像中的第一预设区域内像素点调整为白色像素点，得到第一样本x光图像，图像修复模型可以对第一样本x光图像进行图像修复，得到第二样本x光图像，再根据第二样本x光图像与原始样本x光图像，计算图像修复模型的训练损失，从而按照训练损失调整图像修复模型的模型参数。由于训练图像修复模型的目的是使得由图像修复模型输出的x光图像显示完整的图像内容，也就是需要使得由图像修复模型输出得到的第二样本x光图像与原始样本x光图像所显示的图像内容相同。图像修复模型的训练损失表征第二样本x光图像和原始样本x光图像的差异程度，因此，按照图像修复模型的训练损失调整图像修复模型的模型参数，可以使得图像修复模型在进行了大量的训练之后，输出包含较为完整的图像内容的x光图像。综上可知，应用本发明实施例提供的方案对图像修复模型进行训练，可以使得图像修复模型较为精准的对
待修复图像进行图像修复。
[0221]
本发明的一个实施例中，所述计算模块804，具体用于：
[0222]
按照以下表达式计算所述训练损失：
[0223][0224]
其中，表示训练损失，e
(s,y)
[]、e
(s，z)
[]表示求和操作，d(s,y)表示在已知s的情况下判别y是否为x光成像设备所拍摄的图像的概率，s表示预设信息，y表示原始样本x光图像，d(s,g(s,z))表示在已知s的情况下判别g(s,z)是否为x光成像设备所拍摄的图像的概率，g(s,z)表示第二样本x光图像，z表示随机噪音。
[0225]
本发明的一个实施例中，参见图9，提供第二种用于得到图像修复模型的训练装置的结构示意图，与前述图8所示实施例相比，本实施例中，所述装置还包括：
[0226]
第二生成模块806，用于在所述获得模块801获得原始样本x光图像之后，生成与所述原始样本x光图像大小相同、并反映第二预设区域的二值图像，作为第二标签图像，其中，所述第二预设区域为所述第一预设区域中的部分区域；
[0227]
所述第二修复模块803，具体用于：
[0228]
将所述第一样本x光图像和第二标签图像输入所述图像修复模型，以使得所述图像修复模型对所述第一样本x光图像进行下采样处理得到下采样样本x光图像，并通过对所述下采样样本x光图像进行上采样处理的方式，对所述下采样样本x光图像中与所述第二预设区域相对应的区域进行图像修复，得到第二样本x光图像；
[0229]
所述计算模块804，具体用于：
[0230]
将所述原始样本x光图像中第三预设区域内像素点调整为白色像素点，得到第三样本x光图像，其中，所述第三预设区域为：所述第一预设区域中除所述第二预设区域外的区域；
[0231]
根据所述第二样本x光图像和所述第三样本x光图像，计算所述图像修复模型的训练损失。
[0232]
由以上可见，本发明实施例提供的方案中，生成了与原始样本x光图像大小相同的第二标签图像，并与第一样本x光图像一同输入图像修复模型中，使得图像修复模型对下采样样本x光图像中与第二预设区域相对应的区域进行图像修复，得到第二样本x光图像。经过上述步骤，可以使得图像修复模型做到对输入至图像修复模型的待修复图像进行有选择性的修复，从而使得对x光图像进行修复的过程可控制，针对不同的需求获得修复程度不同的x光图像。
[0233]
本发明的一个实施例中，所述获得模块801，具体用于：
[0234]
获得ct数据；
[0235]
基于不同的处理参数，对所述ct数据进行数字重组放射影像处理，得到x光图像，作为所述原始样本x光图像。
[0236]
由以上可见，本发明实施例提供的方案中，可以通过对所获得的ct数据进行数字重组放射影像处理，得到x光图像作为原始样本x光图像，而不需要使用x光成像设备对对象体进行拍摄得到，大大提高了获得原始样本x光图像的效率，并且由于x光成像设备中使用的x光对对象体可能造成一定的身体损伤，因此不适宜用x光成像设备拍摄对象体的x光图
像的方式去获得大量的原始样本x光图像。因此，本发明实施例提供的方案能够提高获得原始样本x光图像的效率。
[0237]
本发明实施例还提供了一种电子设备，如图10所示，包括处理器1001、通信接口1002、存储器1003和通信总线1004，其中，处理器1001，通信接口1002，存储器1003通过通信总线1004完成相互间的通信，
[0238]
存储器1003，用于存放计算机程序；
[0239]
处理器1001，用于执行存储器1003上所存放的程序时，实现如下步骤：
[0240]
识别待修复x光图像中与标定板内标定点相对应的第一区域；
[0241]
将所述第一区域和第二区域内的像素点调整为白色像素点，得到第一x光图像，其中，所述第二区域为：所述待修复x光图像中与所述标定板的固定架相对应的区域；
[0242]
将所述第一x光图像输入预设的图像修复模型进行图像修复，得到修复后的x光图像，其中，所述图像修复模型是基于生成对抗网络训练得到的、用于进行图像修复的模型，所述图像修复模型对待修复图像进行下采样处理得到下采样图像，并通过对所述下采样图像进行上采样处理的方式实现对所述待修复图像修复。
[0243]
上述电子设备提到的通信总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0244]
通信接口用于上述电子设备与其他设备之间的通信。
[0245]
存储器可以包括随机存取存储器(random access memory，ram)，也可以包括非易失性存储器(non-volatile memory，nvm)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0246]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0247]
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一x光图像修复方法的步骤。
[0248]
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一x光图像修复方法。
[0249]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字
用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
[0250]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0251]
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质和计算机产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0252]
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。