[发明专利]基于自监督神经网络的显微结构图像识别方法及装置

说明书

本发明公开了一种基于自监督神经网络的显微结构图像识别方法及装置，包括对卷积网络进行预训练；使用预训练好的卷积网络对预处理后的标准显微结构图进行批量特征提取得到特征向量集合，将特征向量集合存入具有HDF5特征向量存储结构的数据库B中；使用预训练好的卷积网络对预处理后的待识别显微结构图进行批量特征提取得到特征向量V；计算特征向量V与数据库B中所有特征向量的相似度，根据相似度进行升序排序得到最接近特征向量V的k个特征向量并映射到数据库A中，得到对应的k个标准显微结构图；统计k个标准显微结构图大部分归属的显微结构具体名称，确定为待识别显微结构图的具体名称。本发明提高了显微结构图像识别准确率和识别速度。

技术领域

本发明涉及显微结构图像的识别技术领域，具体涉及一种基于自监督神经网络的显微结构图像识别方法及装置。

背景技术

当前对显微结构图像识别的方法一般采用传统数字图像处理算法对数据库A中所有的标准显微结构图进行批量的预处理和特征提取工作，并将提取到的所有特征向量存储于数据库B中。对于用户请求的待识别显微结构图，使用同样的特征提取算法提取到特征向量，然后计算该特征向量与数据库B中所有特征向量的相似度并进行升序排序，从而获取最接近待识别显微结构图的特征向量的k个特征向量(数据库B中标准显微结构图的特征向量)，并从而对应获得数据库A中这些特征向量对应的k个标准显微结构图。最后统计得到这k个标准显微结构图大部分归属的显微结构具体名称，即为待识别显微结构图的具体名称。此外，还可以同时给出数据库A中与待识别显微结构图最相似的标准显微结构图。

对所有的标准显微结构图和待识别显微结构图所提取的特征，一般是使用传统数字图像处理算法进行自动或手工提取的，效率低，并且提取得到的特征含有的原图像的判别信息非常有限，从而导致系统识别准确率的提高受到限制。此外，使用的特征向量存储数据库，选型一般为传统的关系型数据库(如Access、SQL等)。这类数据库在处理大量高维特征向量时效率较低，并且存在死锁和阻塞等会严重降低数据存取性能的特点，从而影响系统最终的识别检索速度。因此，当前显微结构图像识别方法存在的缺陷有：

(1)显微结构图像的特征提取工作的低效率，提取得到的特征含有的原图像的判别信息非常有限，影响系统的识别准确率；

(2)存储特征向量所采用的数据库为关系型数据库，不能有针对性地组织特征向量集合，以达到快速存取的效果。

发明内容

本发明针对上述问题，提供了一种基于自监督神经网络的显微结构图像识别方法及装置。

本发明的第一方面，提供了一种基于自监督神经网络的显微结构图像识别方法，包括：

利用ImageNet图像数据集对自监督神经网络中的卷积网络进行预训练；

对数据库A中所有的标准显微结构图进行批量的预处理，使用预训练好的卷积网络对预处理后的标准显微结构图进行批量特征提取，得到特征向量集合，将所述特征向量集合存入具有自定义的HDF5特征向量存储结构的数据库B中；

对待识别显微结构图进行预处理，使用预训练好的卷积网络对预处理后的待识别显微结构图进行特征提取，得到特征向量V；

计算特征向量V与数据库B中所有特征向量的相似度，根据所述相似度进行升序排序，得到最接近特征向量V的k个特征向量，将所述K个特征向量映射到数据库A中，得到数据库A中对应的k个标准显微结构图；

统计所述k个标准显微结构图大部分归属的显微结构具体名称，确定为待识别显微结构图的具体名称，同时，将排序第一的标准显微结构图作为与待识别显微结构图最相似的标准显微结构图。

进一步的，所述“使用预训练好的卷积网络对预处理后的标准显微结构图进行批量特征提取”之前，先对预训练好的卷积网络进行训练，训练集采用不同旋转角度的标准显微结构图，所述卷积网络通过学习标准显微结构图中的位置、类型和姿态，得到具有判别信息的特征向量。