[发明专利]一种基于机器学习的图像中心线结构提取方法

说明书

本发明涉及一种基于机器学习的图像中心线结构提取方法，属于图像处理技术领域，本发明将中心线检测问题视为一个回归问题，提出了一种基于可分离滤波器的近似方案，通过将一个全秩滤波器组表示为可分离滤波器组的线性组合，可以大大减少计算时间，而没有显著的性能损失。通过在一个标记好中心线的数据集上进行训练，从而获得中心线提取模型。我们的模型训练不依赖于庞大的训练数据，通常是小批量训练数据即可，模型的训练时间相对于常见的深度学习方法有显著的缩短。对于相同的任务，我们的方法明显比以前的方法更加准确和高效。

技术领域

本发明涉及一种基于机器学习的图像中心线结构提取方法，属于图像处理技术领域。

背景技术

线性结构，也被称为曲线结构或“线状”结构，在物理、生物和人工系统中极为常见。它们可以是卫星图像中的河流，大脑中的轴突和树突，道路网络或建筑物中的裂缝。因此，他们的研究需要在许多领域，如神经科学、生物学和制图学。此外，在过去的几十年里，图像采集系统的能力和效率，如电子显微镜，高分辨率相机等，已经大大提高，使得收集大量的数据用于线性结构的研究成为可能。然而，由于目前还没有可靠的全自动曲线结构提取系统，对这些数据的利用仍然受到手工注释耗时、繁琐的任务的限制。

现阶段主流的图像曲线结构中心线提取方法，主要分为：基于传统的图像形态学操作处理的方法和基于深度学习的提取方法。然而，传统的图像形态学处理方法，不能很好的表现出中心线，准确性低，通用性较差。基于深度学习的方法，通常需要大量训练数据，而且需要较高配置的硬件设备，花费较长的训练时间。

发明内容

针对现有技术的不足，为解决上述技术问题，本申请采用的技术方案是：我们提出了一种新的方法来看待中心线检测问题，将它视为一个回归问题。我们提供的方法通过在一个标记好中心线的数据集上进行训练，从而获得中心线提取模型。我们的模型训练不依赖于庞大的训练数据，通常是小批量训练数据即可，模型的训练时间相对于常见的深度学习方法有显著的缩短。对于相同的任务，我们的方法明显比以前的方法更加准确和高效。

本发明的技术方案如下：

一种基于机器学习的图像中心线结构提取方法，包括步骤如下：

第一步，学习用于提取图像特征的滤波器；

目前图像特征的提取主要有两种方法：传统图像特征提取方法和深度学习方法。传统方法中特征提取主要依赖人工设计的提取器，需要有专业知识及复杂的调参过程，同时每个方法都是针对具体应用，泛化能力及鲁棒性较差。

深度学习主要是数据驱动进行特征提取，根据大量样本的学习能够得到深层的、数据集特定的特征表示，其对数据集的表达更高效和准确，所提取的抽象特征鲁棒性更强，泛化能力更好。

所以，我们搭建了无监督的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；

然而，对于传统的特征提取方法，可能非常耗时，因为它涉及到将图像与许多不可分离的非稀疏滤波器进行卷积。因此，下一步我们引入了滤波器分离方法来加速特征提取这一操作。

第二步，对滤波器进行分解获取可分离的滤波器；

由于大量滤波器和图像之间的卷积计算非常耗费时间，我们提出了一种基于可分离滤波器的近似方案，通过将一个全秩滤波器组表示为可分离滤波器组的线性组合，可以大大减少计算时间，而没有显著的性能损失。

将第一步中学习到的滤波器堆叠从而得到三维张量F，可以将三维张量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；