[发明专利]一种基于机器学习的图像中心线结构提取方法

权利要求书

1.一种基于机器学习的图像中心线结构提取方法，其特征在于，包括步骤如下：

第一步，学习用于提取图像特征的滤波器；

搭建无监督的ResNet网络在训练数据集下获得预训练特征，然后在开源的SPAMS软件基础上，对预训练特征进行稀疏矩阵分解，从而获得用于提取特征的滤波器；

第二步，对滤波器进行分解获取可分离的滤波器；

将一个全秩滤波器组表示为可分离滤波器组的线性组合，将第一步的滤波器堆叠从而得到三维张量F，将三维张量F写成K个三维一阶张量的线性组合：

其中，K为分解的一阶张量数目，k为一阶张量的索引，为第k个一阶张量的第一维向量，为第k个一阶张量的第二维向量，为第k个一阶张量的第三维向量；

对于三维张量F在第三个维度上的每个切片则有：

其中，f_i为三维张量F在第三个维度上的第i个切片，为在第k个张量的第三个维度向量的第i个分量值，s^k为第k个张量的第一、第二维度上对应的两个向量的叉乘；

第三步，对训练数据进行特征提取；

使用第二步中获得的可分离滤波器来对训练数据集进行特征提取；

第四步，建立回归树模并进行训练

将中心线检测问题进行建模，转化为数学模型中的回归问题：

其中，d(x)是回归树模型拟合的目标函数，D(x)是点到中心线的欧氏距离，d₀是可分离滤波器尺寸的一半；

回归树的基本模型：

其中，是树模型，f(x,I)就是第三步在图像上提取的像素点x对应的特征，T是弱学习器总数目，h_t是第t个弱学习器，ω_t是第t个弱学习器对应的权重，采用决策树中的分类与回归树模型作为此处的弱学习器h_t，树的深度选取为10，树的数目选取为500；

最小化损失函数：

其中，是损失函数在模型上的总和，是衡量第i个标签值d_i和预测值差距的损失函数；

选用平方损失函数：

最后，使用作为函数d(x)的最终近似值；

第五步，模型训练完成后对测试数据进行预测，将测试数据图像代入第三步，利用第二步得到的滤波器对测试数据的所有图像进行特征提取，得到所有图像中每个像素点对应的特征，提取出的特征代入训练好的模型公式(8)中，得到测试数据每张图每个像素点对应的预测结果，即可以得到预测的中心线图像。

2.根据权利要求1所述的基于机器学习的图像中心线结构提取方法，其特征在于，第二步中，将第一步的滤波器堆叠从而得到高维张量F，对于高维度的张量同理：

其中，n为张量的维度数目。

3.根据权利要求1所述的基于机器学习的图像中心线结构提取方法，其特征在于，第三步中，如果训练数据集图像超过一万张时，那么获取的样本特征数目将过于庞大，此时可以从正负样本中分别选取部分样本使用，所述部分样本为根据数据按照0.5的比例来选取样本，所述样本指的是训练数据图像上的像素点，正样本是中心线上的点，负样本是中心线外的点。

4.根据权利要求1所述的基于机器学习的图像中心线结构提取方法，其特征在于，第三步中，考虑图像中每个像素点周围的像素信息，即使用了图像的上下文信息，对于每个像素，不仅从以该像素为中心的局部窗口提取特征，而且对可分离滤波器尺寸大小的半径内的像素提取特征。