[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

说明书

本发明公开了一种基于多层次特征表示和集成学习的影像分类方法及装置，所述方法包括以下步骤：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：分别对三种不同层次的特征向量进行特征选择，得到三种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：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；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。本发明分类准确率高。

技术领域

本发明具体涉及一种基于多层次特征表示和集成学习的影像分类方法及装置。

背景技术

近些年来，神经影像技术在神经学研究中的广泛应用，加速了神经影像学的发展，推动脑科学研究进入高速发展时期。磁共振成像技术的发展为人们提供了一种无创的方式去研究人脑解剖结构和功能机制，常用的几种脑成像技术包括有结构磁共振成像(structural Magnetic Resonance Imaging，sMRI)，功能磁共振成像(functionalMagnetic Resonance Imaging，fMRI)，弥散张量成像(Diffusion Tensor Imaging，DTI)以及正电子发射断层扫描(Positron Emission Tomography，PET)等。不同的神经成像技术提供对大脑不同层面不同角度的刻画，从大脑的整体结构到脑区之间的功能协作，甚至到神经元的活动状态，为各种脑科学研究提供了数据基础。

而目前基于脑成像数据特征来进行影像分类的方法通常只采用脑成像数据单一层次的特征，没有考虑使用多层次特征信息互补的优势来提高分类的准确性。因此，有必要提供一种能够充分利用多层次特征的信息互补优势，对影像进行准确分类的方法和装置。

发明内容

本发明的目的是，针对现有技术的不足提供一种基于多层次特征表示和集成学习的影像分类方法及装置，提高了影像分类准确率。

为实现上述目的，本发明的技术方案如下：

一方面，提供一种基于多层次特征表示和集成学习的影像分类方法，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：

将预处理后的影像划分为多个感兴趣区域(ROI)；

提取预处理后的影像上各个感兴趣区域的多种不同角度的功能激活谱特征，并将各个感兴趣区域的多种功能激活谱特征级联成一个特征向量，作为该影像的点特征向量RVF；

基于预处理后的影像上各个感兴趣区域之间的相关性提取全脑功能连接特征，作为该影像的边特征向量FC；

基于预处理后的影像上各个感兴趣区域之间的相关性构建功能连接网络，基于功能连接网络提取各个感兴趣区域的多种不同角度的网络属性特征，并将各个感兴趣区域的多种网络属性级联成一个特征向量，作为该影像的网络特征向量NET；

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：采用基于单层次特征的弱分类器集成学习方法最大限度利用多层次特征的信息互补优势，具体为：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。