[发明专利]一种图像分类方法及电子装置

说明书

本申请公开一种图像分类方法及电子装置，方法包括以下步骤：使用多种深度学习网络分别对图像提取特征；采用特征拼接方法将各深度学习网络提取的特征合并；采用主成分分析剔除冗余特征，获得特征空间；采用猎食者优化算法将所述特征空间进一步优化，形成最佳特征子集；将最佳特征子集输入到分类器中进行分类。本申请融合多种特征选择与优化方法提高整体框架的性能，同时降低了计算成本。采用猎食者优化算法进行最佳特征选择，猎食者优化算法嵌入了支持向量机分类器，采用径向基函数，随着迭代不断计算适应度，调整选择的特征进行最终分类。整个模型在减少计算成本加快训练时间的同时保证了预测的准确度。

技术领域

本发明属于人工智能技术领域，具体的，涉及一种图像分类方法及电子装置。

背景技术

随着人工智能的兴起，借助计算机高算力的优势，信息技术的发展在很大程度上改变了医疗。机器学习作为人工智能最重要的技术，面对数目庞大、增长迅速、结构复杂和隐藏价值高的医学图像数据，非常适合有效分析医学图像数据中的内部联系。

在医疗科学领域，人工智能已有大量研究运用于医疗图像的识别分类。例如在眼科医疗领域，用于视网膜疾病、黄斑疾病、青光眼、白内障、高度近视及角膜病变等相关疾病的筛查。例如利用MedNet神经网络系统自动检测OCTA图像中血管图像；利用RelayNet神经网络系统用于正常人和DME患者的OCT图像；使用光学相干断层扫描(OCT)和光学相干血管造影(OCTA)图像的多模态深度学习(DL)模型评估新生血管性年龄相关性黄斑变性(AMD)脉络膜新生血管(CNV)的有效性；使用来自糖尿病患者共75137张公开的眼底图像利用机器学习模型自动识别糖尿病视网膜病变特征，其敏感度及特异性分别为94％和98％。

然而，申请人发现，目前使用传统机器学习技术进行特征提取，在各方面都存在局限性，要么可能会提取到冗余特征，这可能导致较高的错误分类率，要么可能会丢弃重要特征，同样会导致较高的错误分类率。因此，目前对于图像的特征提取及分类上，还有必要进一步研究特征提取和分类更准确的方案。

发明内容

本申请融合多种特征选择与优化方法对图像进行分类，从四个卷积神经网络中提取深度特征，其维度通过主成分分析降低；使用猎食者优化算法从特征空间中去除多余的特征，留下最佳特征子集，用支持向量机进行训练和测试以生成最终预测。该方法以眼科图像进行测试评估，结果表明，在眼科图像分类上准确率为90.42％，优于深度学习和支持向量机的传统模型，证明该方法的可行性。

一种图像分类方法，包括以下步骤：

使用多种深度学习网络分别对图像提取特征；

采用特征拼接方法将各深度学习网络提取的特征合并；

采用主成分分析剔除冗余特征，获得特征空间；

采用猎食者优化算法将所述特征空间进一步优化，形成最佳特征子集；

将最佳特征子集输入到分类器中进行分类。

可选地，所述采用猎食者优化算法将特征空间进一步优化，形成最佳特征子集，包括：

步骤S51，随机初始化搜索代理的位置，全部搜索代理的位置与特征空间的特征一一对应，所述搜索代理是猎人或者猎物；

步骤S52，根据公式1或者公式7对搜索代理的位置进行更新，

采用公式1更新猎人位置，

x_ij(t+1)＝x_ij(t)+0.5[(2CZP_pos(j)-x_ij(t))

+(2(1-C)Zμ(j)-x_ij(t))] (1)

t是迭代次数；