图像处理方法、电子装置及存储介质与流程

1.本发明涉及图像处理领域，尤其涉及一种图像处理方法、电子装置及存储介质。


背景技术：

2.近年来，深度学习在医学领域愈发火热。特别是图像领域中的经典的图像分类任务，已经在医学领域普遍应用，例如用图像分类网络去判断x光片中肺部图片是否出现病变等辅助医生诊断的实际性应用。但利用深度学习进行图像分类时，会出现准确率与信任性问题，如对医学图像中某一部位的病变进行分类时，该图像中其它部位可能对图像分类造成干扰，即可能因为图像分类的消极区域影响到图像分类的准确率，且因为人们没有得到对于神经网络直观的解释，所以对于神经网络用于图像分类得到的结果信任性不足。
3.因此，针对深度学习的“信任”危机，需要提供一种对待分类图像进行处理以降低消极区域对图像法分类的影响，从而提高医疗图像分类的准确率和信任性的方法。


技术实现要素：

4.鉴于以上原因，有必要提供一种图像处理方法、电子装置及存储介质，使得图像分类结果在用于图像处理的神经网络可解释的前提下，能够达到更高的准确率，同时解决图像分类结果准确率不高和用于图像处理的神经网络缺少解释的两个基础问题，使深度学习可以更好地在医学领域发挥重要作用。
5.为实现上述目的，本发明提供一种图像处理方法，该方法包括如下步骤：
6.s1、获取第一图片，基于预设的神经网络处理所述第一图片得到第一热力图；使用预设程序对所述第一热力图进行闭运算操作得到第一闭运算热力图；
7.s2、通过对所述第一闭运算热力图进行处理后得到第一矩阵；对所述第一图片进行高斯模糊处理，得到第一降噪图片；基于所述第一矩阵和预设阈值将所述第一图片与所述第一降噪图片融合生成第二图片；
8.s3、对所述第二图片进行如步骤s1和s2对所述第一图片的处理，得到第三图片。
9.优选地，所述第一图片为待输入图像分类网络的测试集中所包含的待分类图片；所述神经网络为可解释性神经网络，所述第一热力图为可解释性热力图；所述第一热力图、第一闭运算热力图的尺寸与所述第一图片的尺寸相同；所述闭运算操作的核尺寸为7。
10.优选地，所述的通过对所述第一闭运算热力图进行处理后得到第一矩阵，包括：
11.对所述第一闭运算热力图提取红色通道的像素点值；
12.利用python的预设程序对所述红色通道像素点值进行归一化计算；
13.对归一化计算得到的数据按行进行softmax处理得到新的与所述第一闭运算热力图尺寸不变的第一矩阵。
14.优选地，所述利用python的预设程序对所述红色通道像素点值进行归一化计算，包括：
15.对提取到的所述红色通道像素点值除以最大值255，以小数形式归一化到[0,1]的
范围。
[0016]
优选地，所述对归一化计算得到的数据按行进行softmax处理得到新的与所述第一闭运算热力图尺寸不变的第一矩阵中，
[0017][0018]
其中：x为像素点的值，exp表示以自然常数e为底的指数函数，i为矩阵中红色通道像素值的排列序号，j为矩阵内红色通道像素值的总个数。
[0019]
优选地，所述的对所述第一图片进行高斯模糊处理，包括：
[0020]
对所述第一图片与二维高斯分布的概率密度函数做卷积计算，计算公式如下：
[0021][0022]
其中，(x,y)表示二维图像像素点的坐标，g(x,y)表示该像素被处理完后的像素值，r表示卷积核半径，s(x,y)表示该像素点原来的像素值，f(u，v)函数通常也称作滤波函数。
[0023]
优选地，所述滤波函数为二维高斯分布的概率密度函数，公式为
[0024][0025]
dx,dy分别对应当前横竖坐标到卷积核中心的距离，σ是高斯分布的标准差，e为自然常数。
[0026]
优选地，所述高斯模糊处理过程中所使用的核尺寸为7*7。
[0027]
优选地，所述的基于所述第一矩阵和预设阈值将所述第一图片与所述第一降噪图片融合生成第二图片，包括：
[0028]
将所述第一矩阵中小于预设阈值的值对应的像素点作为标记像素点；
[0029]
基于所述标记像素点识别出所述第一图片中的标记像素点所在区域，记作第一像素标记区域；基于所述标记像素点识别出所述第一降噪图片中的标记像素点所在区域，记作第二像素标记区域；
[0030]
将所述第一像素标记区域内各像素点值替换为所述第二像素标记区域中对应像素点值，得到第二图片。
[0031]
优选地，所述预设阈值为0.004。
[0032]
本发明还提供一种图像处理装置，所述图像处理装置包括：
[0033]
获取模块，用于获取第一图片，所述第一图片为待输入图像分类网络的测试集中所包含的待分类图片；
[0034]
神经网络模块，用于接收获取到的所述第一图片，基于预设的神经网络处理所述第一图片得到第一热力图；
[0035]
闭运算模块，用于接收所述第一热力图并使用预设程序对第一热力图进行闭运算操作得到第一闭运算热力图；
[0036]
归一化模块，用于接收所述第一闭运算热力图并对所述第一闭运算热力图提取红
色通道的像素点值，再利用预设程序对所述红色通道像素点值进行归一化计算；
[0037]
softmax模块，承接归一化模块的工作，对归一化计算得到的数据按行进行softmax处理得到新的与所述第一闭运算热力图尺寸不变的第一矩阵；
[0038]
高斯模糊模块，接收所述第一图片并对所述第一图片进行高斯模糊处理，得到第一降噪图片；
[0039]
融合模块，基于所述第一矩阵和预设阈值将第一图片与第一降噪图片融合生成第二图片。
[0040]
本发明还提供一种电子装置，该电子装置包括存储器和处理器，所述存储器中包括图像处理程序，该图像处理程序被所述处理器执行时实现如上所述的图像处理方法中的任意步骤。
[0041]
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中包括图像处理程序，所述图像处理程序被处理器执行时，实现如上所述的图像处理方法中的任意步骤。
[0042]
本发明提供的图像处理方法、电子装置及计算机可读存储介质，通过预设的可解释性神经网络对图片进行转化输出，仅针对可解释性网络的输出结果对原始图片进行处理，将不受可解释性过程的限制，将会造成后续的基于此图片的步骤结果都可信。本发明通过基础的数值计算结合传统图像处理方法的方式，获得类似于权重贡献的数值矩阵，计算过程没有复杂的梯度计算，不需任何人工操作，计算过程快速，可以有效的将原始输入图片的消极与积极区域划分，重点保留积极区域，减少神经网络受消极区域特征的影响，以此提升模型准确率。
附图说明
[0043]
图1是本发明提出的电子装置一可选的硬件架构的示意图；
[0044]
图2是本发明图像处理装置一实施例中的模块示意图(也可是本发明电子装置一实施例中图像处理程序的程序模块示意图)；
[0045]
图3是本发明图像处理方法较佳实施例的实施流程图。
[0046]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0047]
下面将参考若干具体实施例来描述本发明的原理和精神。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0048]
参阅图1所示，是本发明提出的电子装置一可选的硬件架构示意图。本实施例中，电子装置10可包括，但不仅限于，可通过通信总线14相互通信连接存储器11、处理器12、网络接口13。需要指出的是，图1仅示出了具有组件11-14的电子装置10，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
[0049]
其中，存储器11至少包括一种类型的计算机可读存储介质，计算机可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器11可以是电子装
置10的内部存储单元，例如电子装置10的硬盘或内存。在另一些实施例中，存储器11也可以是电子装置10的外包存储设备，例如电子装置10上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，存储器11还可以既包括电子装置10的内部存储单元也包括其外包存储设备。本实施例中，存储器11通常用于存储安装于电子装置10的操作系统和各类应用软件，例如图像处理程序等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0050]
处理器12在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。处理器12通常用于控制电子装置10的总体操作。本实施例中，处理器12用于运行存储器11中存储的程序代码或者处理数据，例如运行的图像处理程序等。
[0051]
网络接口13可包括无线网络接口或有线网络接口，网络接口13通常用于在电子装置10与其他电子设备之间建立通信连接。
[0052]
通信总线14用于实现组件11-13之间的通信连接。
[0053]
可选地，电子装置10还可以包括用户接口(图1中未示出)，用户接口可以包括显示器、输入单元比如键盘，其中，用户接口还可以包括标准的有线接口、无线接口等。
[0054]
可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled触摸器等。进一步地，显示器也可称为显示屏或显示单元，用于显示在电子装置10中处理信息以及用于显示可视化的用户界面。
[0055]
可选地，在一些实施例中，电子装置10还可以包括音频单元(音频单元图1中未示出)，音频单元可以在电子装置10处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时，将接收的或者存储的音频数据转换为音频信号；进一步地，电子装置10还可以包括音频输出单元，音频输出单元将音频单元转换的音频信号输出，而且音频输出单元还可以提供与电子装置10执行的特定功能相关的音频输出(例如呼叫信号接收声音、消息接收声音等等)，音频输出单元可以包括扬声器、蜂鸣器等等。
[0056]
可选地，在一些实施例中，电子装置10还可以包括警报单元(图中未示出)，警报单元可以提供输出已将事件的发生通知给电子装置10。典型的事件可以包括呼叫接收、消息接收、键信号输入、触摸输入等等。除了音频或者视频输出之外，警报单元可以以不同的方式提供输出以通知事件的发生。例如，警报单元可以以震动的形式提供输出，当接收到呼叫、消息或一些其他可以使电子装置10进入通信模式时，警报单元可以提供触觉输出(即，振动)以将其通知给用户。
[0057]
在上述实施例中，处理器12执行存储器11中存储的图像处理程序时实现如下步骤：
[0058]
s1、获取第一图片，基于预设的神经网络处理所述第一图片得到第一热力图；使用预设程序对所述第一热力图进行闭运算操作得到第一闭运算热力图；
[0059]
s2、通过对所述第一闭运算热力图进行处理后得到第一矩阵；对所述第一图片进行高斯模糊处理，得到第一降噪图片；基于所述第一矩阵和预设阈值将所述第一图片与所述第一降噪图片融合生成第二图片；
[0060]
s3、对所述第二图片进行如步骤s1和s2对所述第一图片的处理，得到第三图片。
[0061]
关于上述步骤的详细介绍，请参照下述图2关于图像处理程序的程序模块图及图3
图像处理方法较佳实施例的实施流程图。
[0062]
本实施例中通过预设的可解释性神经网络对图片进行转化输出，仅针对可解释性网络的输出结果对原始图片进行处理，将不受可解释性过程的限制，将会造成后续的基于此图片的步骤结果都可信。
[0063]
参照图2所示，是本发明图像处理装置一实施例中的模块示意图(也可是本发明电子装置一实施例中图像处理程序的程序模块示意图)，在本实施例中，多个模块被存储于存储器11中，并由处理器12执行，以完成本发明。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。
[0064]
所述图像处理程序10可以被分割为：获取模块201、神经网络模块202、闭运算模块203、归一化模块204、softmax模块205、高斯模糊模块206以及融合模块207。
[0065]
获取模块201，用于获取第一图片，所述第一图片为待输入图像分类网络的测试集中所包含的待分类图片(ct图片、x光图片等)。所述第一图片可以在电子装置10内的存储器11获取，也可以通过网络接口13从其他存储有第一图片的电子设备获取。详细地，若所述第一图片存储在电子装置10内的存储器11，则获取模块201在存储器11内获取；若所述第一图片存储在其他电子设备，则获取模块201通过网络接口13连接其他电子设备进行获取。例如，假设电子设备10为一台电脑时，若所述第一图片存储在该电脑本地磁盘，则获取模块可以从电脑的本地磁盘内获取；若所述第一图片存储在其他电脑，则获取模块可以通过网络接口连接到第一图片所存储的电脑获取；同理，所述第一图片也可从互联网上获取。
[0066]
神经网络模块202，用于接收获取到的所述第一图片(ct图片、x光图片等)，并基于预设的神经网络处理所述第一图片得到第一热力图。所述神经网络为可解释性神经网络，第一热力图为可解释性热力图；所述第一热力图的尺寸与所述第一图片相同。所述第一热力图以不同颜色表示出神经网络对所述第一图片的不同区域关注程度的强弱区别，红色区域为关注程度较高的积极区域，即包含用于图像分类的特征的重要区域；蓝色区域为关注程度较低的消极区域，即不包含用于图像分类的特征的重要区域。
[0067]
例如，在对人体ct图片以腹部的病因类别进行分类时，分为胃部、阑尾等类别，而对收集到的ct图片作为第一图片处理，所得到的第一热力图中，关于胃部病变的热力图对应的胃部病变区域就会显示出红色，其他区域显示相应的蓝色。
[0068]
本发明利用上述特点，保留第一图片的积极区域特征以加强图片中用于图片分类的特征，消除第一图片的消极区域特征以减少消极区域对图像分类的干扰，然后重新输入到图片分类网络中，达到更好的识别效果。通过预设的可解释性网络对图片进行转化输出，仅针对可解释性网络的输出结果对第一图片进行处理，将不受可解释性过程的限制，将会造成后续的基于此图片的步骤结果都可信。
[0069]
闭运算模块203，用于接收所述第一热力图并使用预设程序对第一热力图进行闭运算操作得到第一闭运算热力图。所述第一闭运算热力图的尺寸与所述第一图片的尺寸相同，所述闭运算操作的核尺寸为7。图像闭运算是图像依次经过膨胀、腐蚀处理后的过程，有助于处理前景内部的小孔或黑点，连接临近物体、平滑边界的同时并不改变其面积。通过闭运算可以将热力图中临近但不相连的积极区域连接为一个整体并平滑边界，用以尽可能保留原图像积极区域特征。
[0070]
归一化模块204，用于接收所述第一闭运算热力图并对所述第一闭运算热力图提
取红色通道的像素点值，再利用python的预设程序对所述红色通道像素点值进行归一化计算。具体地，对提取到的红色通道像素点值除以最大值255，以小数形式归一化到[0,1]的范围。例如，第一闭运算热力图的某个像素点为(255，100,20)，则对该像素点提取到的红色通道像素点值为255，归一化后的值为1。归一化后的值与对应的像素点位置相应排列。例如，某些像素点的排列方式为对像素点a提取到的红色通道像素点值除以最大值255，以小数形式归一化到[0,1]范围，归一化后的值为a，相应地，对像素点b、c、d提取到的红色通道像素点值除以最大值255，以小数形式归一化到[0,1]范围，归一化后的值分别为b、c、d，则a、b、c、d的排列方式为softmax模块205，承接归一化模块204的工作，对归一化计算得到的数据按行进行softmax处理得到新的与所述第一闭运算热力图尺寸不变的第一矩阵。具体地，softmax运算公式为：
[0071][0072]
其中：x为红色通道的值，exp表示以自然常数e为底的指数函数，i为矩阵中红色通道像素值的排列序号，j为矩阵内红色通道像素值的总个数。
[0073]
高斯模糊模块206，接收所述第一图片并对所述第一图片进行高斯模糊处理，得到第一降噪图片。对所述第一图片进行高斯模糊处理，包括对所述第一图片与二维高斯分布的概率密度函数做卷积，所述卷积式为
[0074][0075]
其中，(x,y)表示二维图像像素点的坐标，g(x,y)标识该像素被处理完后的像素值，r表示卷积核半径，s(x,y)表示该像素点原来的像素值，f(u，v)函数通常也称作滤波函数。高斯模糊，便是使用高斯分布作为滤波函数。由于图像是二维的，因此需要二维的高斯分布，其对应的概率密度函数为
[0076][0077]
dx,dy分别对应当前横竖坐标到卷积核中心的距离，σ是高斯分布的标准差，e为自然常数。较佳地，所述高斯模糊处理过程中所使用的核尺寸为7*7。经过对比试验证实将核尺寸设置为7*7时，并按后续步骤完成操作最终能达到最高的准确率。利用高斯模糊对图片进行降噪后替换相关像素点，有利于增强用于图片分类的特征。
[0078]
融合模块207，基于所述第一矩阵和预设阈值将第一图片与第一降噪图片融合生成第二图片。基于所述第一矩阵的预设阈值将第一图片与第一降噪图片融合生成第二图片，包括以下步骤：
[0079]
将所述第一矩阵中小于预设阈值的值对应的像素点作为标记像素点，较佳地，所述预设阈值为0.004；
[0080]
基于所述标记像素点识别出所述第一图片中的标记像素点所在区域，记作第一像
素标记区域；基于所述标记像素点识别出所述第一降噪图片中的标记像素点所在区域，记作第二像素标记区域；
[0081]
将所述第一像素标记区域内各像素点值替换为所述第二像素标记区域中对应像素点值，得到第二图片。
[0082]
例如，第一矩阵为若b的值小于0.004，则第一图片中的对应像素中，第一像素标记区域内有β，第一降噪图片中的对应像素中，第二像素标记区域有b，于是第二图片的像素为
[0083]
本实施例中通过基础的数值计算结合传统图像处理方法的方式，获得类似于权重贡献的数值矩阵，计算过程没有复杂的梯度计算，不需任何人工操作，计算过程快速，可以有效的将第一图片的消极与积极区域划分，重点保留积极区域，减少神经网络受消极区域特征的影响，以此提升模型准确率。
[0084]
参照图3所示，为本发明图像处理方法较佳实施例的实施流程图。在本实施例中，电子装置10的处理器12执行存储器11中的图像处理程序时实现图像处理方法的如下步骤：
[0085]
步骤s301、获取第一图片，基于预设的神经网络处理所述第一图片得到第一热力图；使用预设程序对所述第一热力图进行闭运算操作得到第一闭运算热力图；
[0086]
步骤s302、通过对所述第一闭运算热力图进行处理后得到第一矩阵；对所述第一图片进行高斯模糊处理，得到第一降噪图片；基于所述第一矩阵和预设阈值将所述第一图片与所述第一降噪图片融合生成第二图片；
[0087]
步骤s303、对所述第二图片进行如步骤s301和s302对所述第一图片的处理，得到第三图片。详细地，将所述第二图片输入到所述预设的神经网络生成第二热力图；对所述第二热力图进行闭运算操作得到第二闭运算热力图；通过对所述第二闭运算热力图进行处理后得到第二矩阵；对所述第二图片进行高斯模糊处理，得到第二降噪图片；基于所述第二矩阵和所述预设阈值将所述第二图片与所述第二降噪图片融合生成第三图片。
[0088]
本实施例中利用可解释性网络经过一系列处理得到消极区域标记(标记像素点)，再用第一图片经过高斯模糊处理后的相应消极区域(第二像素标记区域)替代第一图片的相应的消极区域(第一像素标记区域)，得到一张能有效地将第一图片的消极与积极区域划分、重点保留积极区域、减少神经网络受消极区域特征影响的图片。将第三图片输入至图像分类网络与直接将第一图片输入至相同的图像分类网络相比，准确率有明显提升。
[0089]
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质可以是硬盘、多媒体卡、sd卡、闪存卡、smc、只读存储器(rom)、可擦除可编程只读存储器(eprom)、便携式紧致盘只读存储器(cd-rom)、usb存储器等等中的任意一种或者几种的任意组合。所述计算机可读存储介质中包括图像处理程序，所述图像处理程序被处理器执行时实现如下操作：
[0090]
s1、获取第一图片，基于预设的神经网络处理所述第一图片得到第一热力图；使用预设程序对所述第一热力图进行闭运算操作得到第一闭运算热力图；
[0091]
s2、通过对所述第一闭运算热力图进行处理后得到第一矩阵；对所述第一图片进
行高斯模糊处理，得到第一降噪图片；基于所述第一矩阵和预设阈值将所述第一图片与所述第一降噪图片融合生成第二图片；
[0092]
s3、对所述第二图片进行如步骤s1和s2对所述第一图片的处理，得到第三图片。
[0093]
本发明之计算机可读存储介质的具体实施方式与上述图像处理方法以及电子装置10的具体实施方式大致相同，在此不再赘述。
[0094]
需要说明的是，在本文中，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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
[0095]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0096]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种图像处理方法，其特征在于，该方法包括：s1、获取第一图片，基于预设的神经网络处理所述第一图片得到第一热力图；使用预设程序对所述第一热力图进行闭运算操作得到第一闭运算热力图；s2、通过对所述第一闭运算热力图进行处理后得到第一矩阵；对所述第一图片进行高斯模糊处理，得到第一降噪图片；基于所述第一矩阵和预设阈值将所述第一图片与所述第一降噪图片融合生成第二图片；s3、对所述第二图片进行如步骤s1和s2对所述第一图片的处理，得到第三图片。2.如权利要求1所述的图像处理方法，其特征在于，所述的通过对所述第一闭运算热力图进行处理后得到第一矩阵，包括：对所述第一闭运算热力图提取红色通道的像素点值；利用python的预设程序对所述红色通道像素点值进行归一化计算；对归一化计算得到的数据按行进行softmax处理得到新的与所述第一闭运算热力图尺寸不变的第一矩阵。3.如权利要求2所述的通过对所述第一闭运算热力图进行处理后得到第一矩阵，其特征在于，所述利用python的预设程序对所述红色通道像素点值进行归一化计算，包括：对提取到的所述红色通道像素点值除以最大值255，以小数形式归一化到[0,1]的范围。4.如权利要求2所述的通过对所述第一闭运算热力图进行处理后得到第一矩阵，其特征在于，所述对归一化计算得到的数据按行进行softmax处理得到新的与所述第一闭运算热力图尺寸不变的第一矩阵中，其中：x为像素点的值，exp表示以自然常数e为底的指数函数，i为矩阵中红色通道像素值的排列序号，j为矩阵内红色通道像素值的总个数。5.如权利要求1所述的图像处理方法，其特征在于，所述的对所述第一图片进行高斯模糊处理，包括：对所述第一图片与二维高斯分布的概率密度函数做卷积计算，计算公式如下：其中，(x,y)表示二维图像像素点的坐标，g(x,y)表示该像素被处理完后的像素值，r表示卷积核半径，s(x,y)表示该像素点原来的像素值，f(u，v)函数通常也称作滤波函数。6.如权利要求5所述的对所述第一图片进行高斯模糊处理，其特征在于，所述滤波函数为二维高斯分布的概率密度函数，公式为dx,dy分别对应当前横竖坐标到卷积核中心的距离，σ是高斯分布的标准差，e为自然常数。
7.如权利要求1所述的图像处理方法，其特征在于，所述的基于所述第一矩阵和预设阈值将所述第一图片与所述第一降噪图片融合生成第二图片，包括：将所述第一矩阵中小于预设阈值的值对应的像素点作为标记像素点；基于所述标记像素点识别出所述第一图片中的标记像素点所在区域，记作第一像素标记区域；基于所述标记像素点识别出所述第一降噪图片中的标记像素点所在区域，记作第二像素标记区域；将所述第一像素标记区域内各像素点值替换为所述第二像素标记区域中对应像素点值，得到第二图片。8.一种图像处理装置，其特征在于，所述图像处理装置包括：获取模块，用于获取第一图片，所述第一图片为待输入图像分类网络的测试集中所包含的待分类图片；神经网络模块，用于接收获取到的所述第一图片，基于预设的神经网络处理所述第一图片得到第一热力图；闭运算模块，用于接收所述第一热力图并使用预设程序对第一热力图进行闭运算操作得到第一闭运算热力图；归一化模块，用于接收所述第一闭运算热力图并对所述第一闭运算热力图提取红色通道的像素点值，再利用预设程序对所述红色通道像素点值进行归一化计算；softmax模块，承接归一化模块的工作，对归一化计算得到的数据按行进行softmax处理得到新的与所述第一闭运算热力图尺寸不变的第一矩阵；高斯模糊模块，接收所述第一图片并对所述第一图片进行高斯模糊处理，得到第一降噪图片；融合模块，基于所述第一矩阵和预设阈值将第一图片与第一降噪图片融合生成第二图片。9.一种电子装置，其特征在于，所述电子装置包括存储器和处理器，所述存储器上存储有图像处理程序，所述图像处理程序被所述处理器执行时实现如权利要求1-7中任一项所述的图像处理方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括图像处理程序，所述图像处理程序被处理器执行时，实现如权利要求1至7中任一项所述的图像处理方法。

技术总结
本发明提供一种图像处理方法，该方法包括：对第一图片进行处理得到第一矩阵；对所述第一图片进行高斯模糊处理，得到第一降噪图片；基于所述第一矩阵和预设阈值将所述第一图片与所述第一降噪图片融合生成第二图片；将所述第二图片进行处理得到第二矩阵；对所述第二图片进行高斯模糊处理，得到第二降噪图片；基于所述第二矩阵和所述预设阈值将所述第二图片与所述第二降噪图片融合生成第三图片。本发明可以应用于医疗图像分类中，基于可解释性神经网络得到的热力图进行处理，能有效地将原始输入图片的消极与积极区域划分，重点保留积极区域，减少神经网络受消极区域特征的影响，以此提升模型准确率和信任性。此提升模型准确率和信任性。此提升模型准确率和信任性。


技术研发人员：郑喜民 高见 舒畅 陈又新
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.05.29
技术公布日：2023/8/28