[发明专利]一种基于D-Resnet的高光谱中医舌苔舌质分类方法

权利要求书

1.基于D-Resnet网络的高光谱图像分类算法，其特征在于，包括以下步骤：

(1)、高光谱舌像预处理

通过ENVI软件对原始舌图像数据集进行反射率校准并进行标注，得到标签图像作为真值，随机从原始舌图像数据集中选择一张图像输入到数据提取模块，每次随机在图像中选择9×9×L，的小块作为输入，其中L是网络自动读取的图像光谱维数，从而能将更多的高光谱舌像数据送入网络；

(2)、构建D-Resnet网络

D-Resnet网络包含四个部分:光谱信息提取模块，光谱压缩模块，空间信息提取模块以及输出模块；光谱信息提取模块由三个3D卷积层(3D-CONV)组成，在卷积层间构造密集连接，每个卷积层通过密集连接与之前的所有卷积层相连；然后送入光谱压缩模块将光谱维压缩，光谱压缩模块由两个3D卷积层(3D-CONV)组成；随后送入空间信息提取模块进一步提取舌像中的空间特征，该模块由两个单元组成：U1、U2，每个单元有两个3×3×1卷积层和两个1×1×1卷积层，并且每个单元通过跳跃连接与前一个单元相连；在U1、U2中的每个卷积层之前加入BN和PreLu对网络进行预激活，防止过拟合；最后送入输出模块，通过平均池化层对邻域内特征点求平均，将特征的大小映射到1×1×1；然后通过flatten层，dropout层和完全连接层，进行softmax回归，生成预测向量1×1×C，其中C是要分类的类别数，从而实现了空间光谱联合的舌苔舌质分类；

(3)、利用D-Resnet网络实现医学高光谱舌像分类算法

选取高光谱舌图像数据部分分别作为训练集、验证和测试数据集，随后将测试集高光谱舌图像中选取的9×9×L小块以及其对应的标签图像作为真值输入到D-Resnet网络中，进行训练，得到初始分类模型；

共10次训练周期，训练时采用可变学习率，设置初始学习率为0.01，当分类精度在一个训练周期后没有提高时，学习率减半；如果精度在下一个训练周期后依然不再增加，则学习率将再次降低一半，并循环，直到小于设置的最小学习率则不再改变；最小学习率设置为0，因此学习率会一直循环直到训练结束；

验证过程：

随后使用交叉熵损失函数测量预测值和实际值之间的差值来对得到的初始分类模型进行验证，验证的最终目的是对模型进行优化，使得分类模型分出的结果图与真值一致，最终通过交叉验证得到一个最好的分类模型；

测试过程：

最终将测试集中高光谱舌图像送入得到的最好分类模型，实现基于高光谱的中医舌苔舌质分类。

2.根据权利要求1所述的算法，其特征在于，D-Resnet网络的各层具体参数如下：

①U1卷积层：输入尺寸为9×9，输入通道数为L，卷积核为1×1×7，通道数为24,边缘填充方式为‘valid’,激活函数为PReLU,输出尺寸为9×9×b，输出通道数为24；

②U2卷积层：输入尺寸为9×9×b，输入通道数为24，卷积核为1×1×1，通道数为12，边缘填充方式为‘same’，激活函数为PreLU，输出尺寸为9×9×b，输出通道数为36；

③U3卷积层：输入尺寸为9×9×b，输入通道数为36，卷积核为1×1×1，通道数为12，边缘填充方式为‘same’，激活函数为PreLU，输出尺寸为9×9×b，输出通道数为48；

④U4卷积层：输入尺寸为9×9×b，输入通道数为48，卷积核为1×1×1，边缘填充方式为‘same’，激活函数为PreLU，输出尺寸为9×9×b输出通道数为60；

⑤U5卷积层：输入尺寸为9×9×b，输入通道数为60，卷积核为1×1×b，通道数为200，边缘填充方式为‘valid’,激活函数为PReLU,输出尺寸为9×9×1，输出通道数为200；

⑥reshape层：输入尺寸为9×9×1，输入通道数为200，输出尺寸为9×9×200，输出通道数为1；

⑦U6卷积层：输入尺寸为9×9×200，输入通道数为1，卷积核为3×3×200，通道数为24，边缘填充方式为‘valid’,激活函数为PReLU,输出尺寸为7×7×1，输出通道数为24；

⑧U7卷积层：输入尺寸为7×7×1，输入通道数为24，第一个卷积核为1×1×1，第二个卷积核为3×3×1，第三个卷积核为3×3×1，第四个卷积核为1×1×1，边缘填充方式为‘same’,激活函数为PReLU,输出尺寸为7×7×1，输出通道数为24；

⑨U8卷积层：输入尺寸为7×7×1，输入通道数为24，第一个卷积核为1×1×1，第二个卷积核为3×3×1，第三个卷积核为3×3×1，第四个卷积核为1×1×1，边缘填充方式为‘same’,激活函数为PReLU,输出尺寸为7×7×1，输出通道数为24；

⑩平均池化层：输入尺寸为7×7×1，输入通道数为24，输出尺寸为1×1×1，输出通道数为24；

全连接层：输入尺寸为1×1×1，输入通道数为24，输出向量1×1×C，完成分类，其中C为分类个数。