[发明专利]基于结构随机森林模型的相干光断层图像的层分割方法有效

专利信息
申请号: 201810757623.1 申请日: 2018-07-11
公开(公告)号: CN109272507B 公开(公告)日: 2021-07-13
发明(设计)人: 刘小明;付天宇;曹军;胡威;张凯;刘俊 申请(专利权)人: 武汉科技大学
主分类号: G06T7/10 分类号: G06T7/10;G06K9/46;G06K9/62
代理公司: 杭州宇信知识产权代理事务所(普通合伙) 33231 代理人: 刘艳艳
地址: 430081 湖*** 国省代码: 湖北;42
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 结构 随机 森林 模型 相干光 断层 图像 分割 方法
【权利要求书】:

1.一种基于结构随机森林模型的相干光断层图像的层分割方法,其特征在于,包括如下步骤:

S1、图像预处理:

对输入图像进行像素值转化和去噪处理;

S2、特征提取:

先提取手工特征,再训练一个残差网络提取深度特征,然后整合手工特征和深度特征;

所述手工特征包括四个方向的梯度特征、方向梯度直方图特征和Gabor特征;提取手工特征的具体步骤如下:

采用高斯滤波器的一阶和二阶导数生成高斯特征,得到五个高斯特征图,包括两个一阶高斯特征图和三个二阶高斯特征图;

采用Gabor滤波器提取了在180°范围内的最大响应值作为Gabor特征,得到一个Gabor特征图;

输入图像采用双线性向下采样插值来模拟多尺度,然后在降采样后的图像上计算梯度幅值图、Gabor特征图和五个高斯特征图;

所有手工特征图总共是15维特征图,包含一个灰度图和在两个尺度上提取的特征图,每个尺度特征包括一个梯度幅度特征图、一个Gabor特征图、两个一阶高斯特征图和三个二阶高斯特征图,将所有特征图沿着第三个维度连接起来,形成最终的手工特征;

训练残差网络提取深度特征时,从数据集的每个图像块中采样得到训练数据和测试数据,用于训练卷积神经网络CNN模型;在训练残差网络模型CNN时,采用SGD算法迭代最小化损失,用于优化的交叉熵损失函数被定义如下:

其中Indicator(·)是指示函数,N是样本的数量,K=8是样本类数,li是第i个样本的真实标签,是CNN模型的输出概率,第i个样本的标签是j;

对于一个m×n大小的OCT图像,提取m×n个中心在每个像素的块,对于每个块,将最后一层softmax层作为深度特征;

S3、通过结构随机森林获取层轮廓的概率图:

使用训练图像集中数据训练能预测层轮廓的结构随机森林,然后预测测试图像中的层轮廓的概率图;

S4、利用最短路径进行层分割:

在步骤S3获得的概率图上,利用最短路径获得具体的层边界位置。

2.根据权利要求1所述的方法,其特征在于,所述步骤S1中,将输入图像的像素值范围从[0,255]转化到[0,1],采用BM3D算法对所有图像进行去噪处理。

3.根据权利要求1或2所述的方法,其特征在于,步骤S3中,训练结构随机森林的层轮廓时,使用一个输入图像、与所述输入图像对应的标签图像以及与所述输入图像对应的轮廓图像,所述标签图像是通过将输入图像中的每个像素替换为对应的层标签构建而成,所述轮廓图像是通过替换输入图像中的上边界像素为对应的层标签,同时抑制上边界像素以外的像素而成;对于输入图像和标签图像的每一层,执行指导抽样,针对轮廓训练结构随机森林,依此步骤重复每一层的训练,层数用c表示,其中c={1,2,……8},保存每个层轮廓的结构随机森林。

4.根据权利要求3所述的方法,其特征在于,步骤S4中,采用动态规划算法确定从图像左上方到右下方的最短路径,对于分割第c层边界,每一张概率图被视为一张图,图中边的权重是基于相应的概率图计算,公式如下:

其中a是一个像素,b是a的邻接像素,和是像素a和b属于边界l的概率,wm是最小边缘权重,被用来寻找最短路径。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于武汉科技大学,未经武汉科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201810757623.1/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top