[发明专利]一种医学图像识别模型构建和识别方法及装置

权利要求书

1.一种医学图像识别模型构建和识别方法，其特征在于，所述方法包括：

获取医学图像，对医学图像进行图像灰度化以及灰度拉伸，得到预处理完成的医学图像；

利用多尺度的医学图像增强算法对预处理完成的医学图像进行增强处理，得到增强后的医学图像；

利用小波变换技术对增强后的医学图像进行小波分解处理，得到若干医学图像低频信号和高频信号；

根据所获取的高频信号和低频信号，利用基于阈值的信号过滤方法进行高频信号过滤，将过滤后的高频信号作为图像的边缘特征；

根据所检测到的医学图像边缘特征，并利用基于加权损失函数的医学图像识别模型实现医学图像的识别。

2.如权利要求1所述的一种医学图像识别模型构建和识别方法，其特征在于，所述对医学图像进行图像灰度化以及灰度拉伸，包括：

1)对医学图像中每一个像素的三个分量求最大值，并将该最大值设置为该像素点的灰度值，得到图像的灰度图，所述灰度化处理的公式为：

G(i，j)＝max{R(i，j)，G(i，j)，B(i，j)}

其中：

(i，j)为医学图像中的一个像素点；

R(i，j)，G(i，j)，B(i，j)分别为像素点(i，j)在R、G、B三个颜色通道中的值；

G(i，j)为像素点(i，j)的灰度值；

2)对于所述灰度图，利用分段线性变换的方式对图像灰度进行拉伸，所述灰度拉伸的公式为：

其中：

f(x，y)为灰度图；

MAX_f(x，y)，MIN_f(x，y)分别为灰度图的最大灰度值和最小灰度值。

3.如权利要求2所述的一种医学图像识别模型构建和识别方法，其特征在于，所述利用多尺度的医学图像增强算法对预处理完成的医学图像进行增强处理，包括：

1)计算得到图像的多尺度矩阵H：

其中：

I为原始医学图像；

G(x，y，σ)为高斯函数，σ为原始医学图像I的图像像素值标准差；

2)将多尺度矩阵H的特征值λ₁，λ₂分解为两个正交的方向向量v₁，v₂，其中v₁，v₂分别表示曲率的强度和方向；

3)利用图像增强函数对原始医学图像进行增强处理：

其中：

I(x，y)为原始医学图像的像素点；

δ为尺度因子；

通过不断迭代尺度因子δ，得到不同尺度下的I′(x，y)，选取其中最大的I′(x，y)作为增强后的原始医学图像像素点。

4.如权利要求3所述的一种医学图像识别模型构建和识别方法，其特征在于，所述利用小波变换技术对增强后的医学图像进行小波分解处理，包括：

对增强后的医学图像f(x)进行小波变换处理，所述小波变换处理的公式为：

其中：

a为尺度因子；

τ为平移量；

表示小波基函数；

提取小波变换后医学图像的低频信号和高频信号，所述获取低频信号和高频信号的计算公式为：

g(x)＝∑_n(d_n-1(x)-d_n(x))

其中：

s(t)表示低通滤波算子，在本发明一个具体实施例中，所述低通滤波算子为B₃-spline曲线；

d_n(x)表示对医学图像进行n层滤波运算后得到的低频分量，当n＝0时，d₀(x)＝W(a，τ)；

g(x)表示对医学图像进行n层小波分解后获取的高频分量。