[发明专利]基于小波变换和迁移学习的视网膜OCT图像分类方法

权利要求书

1.基于小波变换和迁移学习的视网膜OCT图像分类方法，其特征在于，包括步骤：

S1、对视网膜OCT图像进行小波变换，得到低频细节分量、水平细节分量、垂直细节分量、对角线细节分量四条子带；

S2、对四条子带的图像，基于迁移学习进行子带特征的提取；

S3、将所提取的四个子带图像的特征进行级联和特征融合，然后将级联和特征融合后的特征作为训练集输入到随机森林中，进行训练、分类和预测结果。

2.根据权利要求1所述的视网膜OCT图像分类方法，其特征在于，步骤S2中基于迁移学习进行子带特征的提取时，使用基于ImageNet预训练权重初始化的深度残差网络作为特征提取器。

3.根据权利要求2所述的视网膜OCT图像分类方法，其特征在于，所述深度残差网络设有121层，包括深度块和转移层，深度块采用四层深度块，转移层包括1x1卷积层和2x2平均池化层。

4.根据权利要求3所述的视网膜OCT图像分类方法，其特征在于，对所述深度残差网络进行优化，优化后的深度残差网络结构组成如表1：

表1 基于ImageNet的Densenet121网络结构

去掉全连接层和softmax层。

5.根据权利要求3所述的视网膜OCT图像分类方法，其特征在于，步骤S1还将低频细节分量、水平细节分量、垂直细节分量、对角线细节分量均裁剪成224*224像素大小，然后进行归一化处理。

6.根据权利要求1所述的视网膜OCT图像分类方法，其特征在于，步骤S1将视网膜OCT图像经过2维离散小波变换，选用的小波为多贝西小波。

7.根据权利要求6所述的视网膜OCT图像分类方法，其特征在于，所述2维离散小波变换的公式为：

其中W_Ψ和W_φ分别是小波系数和尺度系数，Ψ是小波函数，φ是尺度函数，f(m,n)是在m,n位置的特征图，k、l是小波位置，M、N是特征维度，H、V、D分别代表水平细节分量、垂直细节分量、对角线细节分量，j和j_o表示阶数。