[发明专利]基于多层次特征表示和集成学习的影像分类方法及装置

权利要求书

1.一种基于多层次特征表示和集成学习的影像分类方法，其特征在于，包括以下步骤：

步骤1：获取多个影像，并对其进行预处理；

步骤2：根据预处理后的影像，分别提取其点、边及网络三种不同层次的特征向量；

步骤3：分别对点、边及网络三种不同层次的特征向量进行特征选择，得到不同层次的最优特征向量；

步骤4：构建三个基于单层次特征的弱分类器，分别利用影像样本三个层次的最优特征向量进行训练，得到训练好的三个弱分类器；

步骤5：先将待测影像三个层次的最优特征向量分别输入训练好的相应的三个弱分类器，得到该待测影像的三个分类结果；然后通过一个分类器集成策略融合三个弱分类器的分类结果，得到待测影像的最终分类标签。

2.根据权利要求1所述的基于多层次特征表示和集成学习的影像分类方法，其特征在于，所述步骤2中，先根据脑网络组图谱，将预处理后的影像划分为246个感兴趣区域，再基于这些感兴趣区域提取其特征向量。

3.根据权利要求1所述的基于多层次特征表示和集成学习的影像分类方法，其特征在于，所述步骤2中，提取影像的点特征向量具体包括以下步骤：

首先，计算预处理后的影像上全脑体素的三种不同角度的功能激活谱特征，即ReHo值、VMHC值以及fALFF值，这三种功能激活谱特征可从不同角度反映影像数据的局部区域活动；

随后，计算影像上每个感兴趣区域内所有体素的平均ReHo值、VMHC值以及fALFF值作为该感兴趣区域的特征，得到维度分别为D的ReHo特征向量、VMHC特征向量以及fALFF特征向量；将这三种特征向量级联成一个维度3D的特征向量，作为该影像的点特征向量，D为影像上感兴趣区域的个数。

4.根据权利要求1所述的基于多层次特征表示和集成学习的影像分类方法，其特征在于，所述步骤2中，提取影像的边特征向量具体包括以下步骤：首先提取影像上每个感兴趣区域的平均时间序列，计算感兴趣区域对平均时间序列之间的皮尔逊相关性系数，然后构建出D×D的功能连接矩阵，矩阵中的每个元素即一个感兴趣区域对平均时间序列之间的皮尔逊相关性系数；将该矩阵的上三角矩阵元素展平成一个向量，作为该影像的边特征向量，其中D为影像上感兴趣区域的个数。

5.根据权利要求1所述的基于多层次特征表示和集成学习的影像分类方法，其特征在于，所述步骤2中，提取影像的网络特征向量具体包括以下步骤：

首先将影像上的感兴趣区域定义为其功能连接网络中的节点，感兴趣区域之间的相关性定义为其功能连接网络中的边；

然后利用图论方法计算影像的功能连接网络中每个节点五种不同角度的网络属性特征，即中介中心性BC、节点局部效率Eloc、节点聚类系数NCC、参与者系数PC以及度DG；依据影像上的D个感兴趣区域，即其功能连接网络中D个节点，得到维度为D的BC特征向量、Eloc特征向量、NCC特征向量、PC特征向量以及DG特征向量，将这5种特征向量级联成一个维度为5D的特征向量，作为该影像的网络特征向量。

6.根据权利要求1所述的基于多层次特征表示和集成学习的影像分类方法，其特征在于，所述步骤3中，采用Lasso方法分别对三种不同层次的特征向量进行特征选择；

Lasso方法进行特征选择的目标函数如下：

其中，X表示N*P的特征矩阵，N为影像样本数量，P为特征向量维度，Y表示样本对应的分类标签向量，Y＝(y₁,y₂,…,y_N)^T，y_i表示第i个影像样本的分类标签；α表示P*1的权重系数向量，α中非0元素位置表示在该位置的特征将被选择；λ₁是一个正则化参数，用于模型稀疏。