[发明专利]一种基于表征变换感知的图像异常检测方法

说明书

本发明涉及一种基于表征变换感知的图像异常检测方法，包括下列步骤：第一步：内容‑结构变换预测，包括(1)数据预处理；(2)内容‑结构特征提取；(3)内容‑结构变换预测；第二步：变换一致性约束，包括(1)建立变换特征的映射关系；(2)重建原始图像；(3)预测重建图像的变换；第三步：异常检测。本发明能够缓解重建模型存在的浅层特征干扰问题，提升异常检测性能。

技术领域

本发明属于深度学习领域，主要涉及一种图像异常检测方法。

背景技术

异常检测在医学影像诊断^[1-2]、视频监控^[3-4]和工业缺陷检测^[5-6]等多个领域具有较高的研究意义和应用价值。例如，在工业缺陷检测中，为了确保产品质量，现代工业制造过程正变得越来越复杂。在这种情况下，人工手动区分正常产品和异常产品不仅需要耗费大量人力物力，还会存在由于操作人员判断的主观性难以保证较高准确率问题^[7]。因此，采取智能的异常检测技术实现样品缺陷检测，对于保障工业产品质量和提高工业生产力至关重要。

近年来，基于无监督学习的异常检测方法得到了广泛的研究，该类方法仅使用正常样本构建模型进行训练。在基于无监督的异常检测方法中，基于图像重建的方法受到了最广泛的关注，通过构建生成模型来重建输入的正常图像。理想情况下，正常图像的潜在特征符合统一的分布，模型对于输入的正常图像可以实现清晰地重建。与正常样本图像相比，异常样本图像不符合正常样本的统一分布规律导致重建质量较差，重建误差也较大，因此可以通过设置合适的阈值来实现图像异常的检测。然而，这种基于图像重建的思路在某些情况下可能会失效，因为大多数情况下重建网络主要采用浅层网络结构导致学到的浅层特征会保留了大量空间结构的细节信息，比如轮廓形状、色彩对比等低级视觉信息。当重建模型对异常图像进行重建时，解码器可以根据浅层特征提供的空间结构细节信息很好地重建异常图像，即正常和异常测试图像都被良好的重建，造成训练的模型无法实现区分正常和异常的目的。

为了缓解浅层特征干扰问题，现有的方法引入了辅助任务，通过增加重建任务的复杂性，避免网络模型直接重建原始输入图像。Fei^[8]等人提出一种属性恢复任务，首先对输入图像进行几何变换，然后对变换后的图像进行属性信息(例如颜色信息)擦除，最后送入编码器学习如何进行擦除属性的恢复。对于测试图像中无法实现恢复的图像判定为异常。此外，在[9]中，作者将结构图像的重建任务与内容图像重建任务相结合，利用循环重建的方式编码内容和结构的关系，实现图像的异常检测。

上述方法研究了辅助任务对于异常检测是有效的，并取得了重大进展。但是，现有的方法大多以重建原始图像作为潜在特征学习的目标，忽略了两个重要因素：(1)在特征层面，虽然可以通过变换或擦除输入图像缓解上文提到的浅层特征干扰的问题，但是这种方案往往是次优的。因为网络模型并没有学得正常样本的本质属性，一旦异常样本图像具有与正常样本相似的属性，如颜色或者局部结构，那么浅层特征可能无法区分正常和异常；(2)在损失层面，大多数现有的工作都是使用均方误差或对抗性损失来优化网络。这些损失侧重学习像素级或特征级的一致性，而忽略了输入图像与生成的图像之间的属性一致性。

为了解决这些问题，本发明基于自动编码变换^[10]提出了一种新的图像异常检测算法，考虑正常图像的属性模式，并学习生成图像和输入图像的属性一致性，缓解重建模型存在的浅层特征干扰问题，提升异常检测性能。

[1]Taboada-Crispi A,Sahli H,Hernandez-Pacheco D,et al.Anomalydetection in medical image analysis[M].Handbook of research on advancedtechniques in diagnostic imaging and biomedical applications.IGI Global,2009:426-446.