[发明专利]一种用于核型白内障图像的特征提取方法

权利要求书

1.一种用于核型白内障图像的特征提取方法，其特征在于：方法步骤如下：

步骤1、对已有的清晰核型白内障图像样本进行模糊处理，得到对应的清晰-模糊图像对，用清晰-模糊图像对数据集来训练DeblurGAN模型，然后用该模型去除实际采集核型白内障图像的模糊，得到去模糊后的实际采集核型白内障图像数据集；

步骤2、根据步骤1中得到的去模糊后的实际采集核型白内障图像数据集来训练CNN模型，并根据训练好的CNN模型得到相应的图像特征提取器；

步骤3、读取待提取特征的核型白内障图像，首先将该图像利用步骤1中训练好的DeblurGAN模型产生清晰的图像，再将得到的清晰的图像利用步骤2中得到的图像特征提取器计算得到图像的特征。

2.根据权利要求1所述的一种用于核型白内障图像的特征提取方法，其特征在于：所述步骤1中训练DeblurGAN模型的具体步骤如下：

步骤1.1、读取清晰的核型白内障图像，利用图像处理技术进行模糊处理，产生对应的清晰-模糊图像对，得到清晰-模糊图像对数据集；

步骤1.2、加载自然图像预训练的DeblurGAN模型，采用步骤1.1的清晰-模糊图像对数据集对来训练DeblurGAN模型，训练的方式是利用带有学习率衰减的RMSProp优化器，使用梯度下降法来降低损失函数，得到最后训练好的DeblurGAN模型。

3.根据权利要求2所述的一种用于核型白内障图像的特征提取方法，其特征在于：所述步骤1.2中采用的损失函数如下：

L＝L_GAN+λ·L_x

其中：L由对抗损失L_GAN和内容损失L_x两部分构成；λ表示两种损失的权重；

对抗损失L_GAN采用WGAN-GP形式，其计算公式为：

其中：I^B表示模糊的图像；表示DeblurGAN中生成模型产生的去模糊后的图像；表示DeblurGAN中判别模型是否正确判断出待测图像是真实的清晰图像还是生成的去模糊后的图像；N表示清晰-模糊图像对总数；n表示当前清晰-模糊图像对的序号；

内容损失L_x由去模糊结果与清晰图像的特征图之间平方损失构成，其计算公式为：

其中：φ_i，j表示网络在第j个卷积层之后，第i个池化层之前得到输入图像的特征图；W_i，j和H_i，j分别表示了特征图在水平和竖直方向上的维度；I^S表示清晰的图像；(·)_x，y表示特征图中坐标x，y处的数值。

4.根据权利要求1所述的一种用于核型白内障图像的特征提取方法，其特征在于：所述步骤2的具体步骤如下：

步骤2.1、对实际采集核型白内障图像进行级别鉴定并对其进行分类标签编码；

步骤2.2、加载自然图像预训练的CNN模型，去除原始CNN模型的网络结构中用于分类图像的顶层，并在去除的顶层原有位置加入一个随机初始化的全连接层作为最后的分级层，并用softmax作为激活函数；

步骤2.3、采用步骤1中去模糊后的实际采集核型白内障图像和实际采集核型白内障图像对应的分类标签编码为训练样本集，训练步骤2.2处理后的CNN模型，训练的方式是利用带有学习率衰减的Adam优化器，使用梯度下降法来降低损失函数，得到最后训练好的CNN模型。

步骤2.4、对于步骤2.3处理后的CNN模型，去掉步骤2.2中加入的全连接层，得到相应的图像特征提取器。

5.根据权利要求4所述的一种用于核型白内障图像的特征提取方法，其特征在于：所述步骤2.3中损失函数采用分类交叉熵为损失函数，计算公式如下：

其中，M表示图像类别总数，c表示图像的类别，y_(o，c)表示图像o是否归为类别c，p_(o，c)表示图像o归为类别c的预测概率。

6.根据权利要求1所述的一种用于核型白内障图像的特征提取方法，其特征在于：所述步骤3的具体步骤如下：

步骤3.1、读取模糊的待提取特征的临床核型白内障图像。

步骤3.2、利用步骤1中训练好的DeblurGAN模型去除待提取特征的临床核型白内障图像的模糊。

步骤3.3、利用步骤2中得到的图像特征提取器来提取临床核型白内障图像的图像特征。