[发明专利]一种基于多尺度空谱特征的病理高光谱图像分类方法

说明书

本发明公开了一种基于多尺度空谱特征的病理高光谱图像分类方法，获取病理切片高光谱图像以及对应的像素级标签，对高光谱图像进行预处理，得到高光谱补丁图像和对应的分类标签；搭建多尺度空谱特征分类网络并预设对应网络的损失函数；将预设的训练集输入至搭建好的多尺度空谱特征分类网络进行训练，根据预设的损失函数计算网络的损失值，并反向传播更新网络的网络参数，得到更新后的多尺度空谱特征分类网络；将高光谱补丁图像输入至更新后的多尺度空谱特征分类网络，结合分类标签，输出高光谱补丁图像的分类结果。该分类方法充分利用了空间邻域特征和高光谱特征，通过去除不相关的输入特征和添加正则化缓解使用小规模数据集时的过拟合问题。

技术领域

本发明属于高光谱图像处理领域，特别是涉及一种基于多尺度空谱特征的病理高光谱图像分类方法。

背景技术

高光谱图像(HSI)通常包含数百个光谱通道，并且图像中的每个像素都有对应的光谱曲线。高光谱图像的分类是对图像进行像素分类，依据各像素光谱曲线特点判断像素点所属类别。高光谱图像分类在土地覆盖制图、矿产勘查、水污染检测等方面得到了广泛的应用，在医学病理诊断上也有着广泛的应用前景。

典型的医学病理诊断流程包括组织样本制备、载玻片分析和疾病诊断，程序复杂，耗时长。通过计算机辅助图像分析算法来帮助病理学家查看数字化的整个图像，可以对医生判断病人病情有重大帮助，但是算法需要大规模的数据集。然而在现实世界中，收集足够大的医学图像数据既困难又昂贵。部分迁移学习算法、无监督与聚类相结合的算法，通常很难被医务人员和开发人员理解和实现，因此需要进一步的工作来提高研究的可解释性。高光谱成像技术作为一种新的成像方法，可同时获取病理切片的光谱信息及空间信息，且测量数据包含有意义且丰富的信息，在医学诊断的应用上有巨大潜力。

目前针对高光谱图像的分类方法可以分为有监督和无监督两类，无监督方法只需少量的标记数据，但其分类精度相对有监督方法更低，因此，在标记数据非常有限的情况下提升网络的分类精度是目前迫切需要解决的问题。本方法构建了一种新颖的高光谱图像分类框架，融合高光谱数据中有效的光谱空间特征，通过去除不相关的输入特征和添加正则化的方法缓解使用小规模数据集时过拟合问题，在标记数据缺乏发情况下，表现出优越分类性能。

发明内容

本发明提供一种基于多尺度空谱特征的病理高光谱图像分类方法，在训练样本明显不足的情况下，能表现出优越的分类性能。

本发明解决其技术问题采用的技术方案是：

一种基于多尺度空谱特征的病理高光谱图像分类方法，包括如下几个步骤：

S1、获取病理切片高光谱图像以及对应的像素级标签，对高光谱图像进行预处理，得到高光谱补丁图像，根据像素级标签和高光谱补丁图像得到高光谱补丁图像的分类标签；

S2、搭建多尺度空谱特征分类网络，网络包括依次连接的自适应谱特征加权网络、多尺度空间光谱融合网络和重构网络，分别预设自适应谱特征加权网络、多尺度空间光谱融合网络和重构网络的损失函数，并将损失函数相加得到多尺度空谱特征分类网络的总损失函数；

S3、将预设的训练集输入至搭建好的多尺度空谱特征分类网络进行训练，并根据多尺度空谱特征分类网络的总损失函数计算多尺度空谱特征分类网络的总损失，并反向传播更新多尺度空谱特征分类网络的网络参数，得到更新后的多尺度空谱特征分类网络；

S4、将高光谱补丁图像输入至更新后的多尺度空谱特征分类网络，结合高光谱补丁图像的分类标签，输出高光谱补丁图像的分类结果。

在一个实施例中，步骤S1中对高光谱图像进行预处理，得到高光谱补丁图像，具体为：

S11、对高光谱图像进行压缩，得到预设大小的压缩后的高光谱图像；

S12、对压缩后的高光谱图像执行高斯平滑，并裁剪得到高光谱补丁图像。