[发明专利]一种甲襞微循环图像的拼接方法及装置

权利要求书

1.一种甲襞微循环图像拼接方法，其特征在于，包括以下步骤：

S1：拍摄全区甲襞微循环图像，将所述全区甲襞微循环图像划分为N块第一子区域，其中，N是大于1的自然数；

S2：二次拍摄第一子区域的微观甲襞微循环图像，并预设为第一分割模型；

S3：基于深度神经网络模型对所述全区甲襞微循环图像依据所述第一分割模型进行分割和标记，得到第二子区域；

S4：提取第二子区域的图像特征，并基于Hessian矩阵检测所述图像特征，建立第一子区域与第二子区域之间的几何对应关系，再依据所述图像特征与所述第二子区域进行比对，标注出N个第二子区域；

S5：基于机器学习接收通过分割和标注的所述第二子区域，根据图像关联的像素数据进行图像处理，输出像素数据计算激活图；

S6：基于所述像素数据计算激活图训练语义分割网络；

S7：利用训练好的语义分割网络对所述第二子区域与所述第一子区域进行相关性匹配，完成甲襞微循环图像拼接。

2.如权利要求1所述的甲襞微循环图像拼接方法，其特征在于，所述S3具体如下：

S31、利用深度神经网络模型对所述全区甲襞微循环图像进行第一次分割，得到第一图像分割概率；

S32、通过阈值函数基于第一图像分割概率得到第一图像分割标记；

S33、利用深度神经网络模型对分割后全区甲襞微循环图像再次分割，得到第二图像分割概率；

S34、通过阈值函数基于第二图像分割概率得到第二图像分割标记；

S35、根据所述第一图像分割率和所述第二图像分割概率，确定蒸馏损失函数，根据所述第一图像分割标记和所述第二图像分割标记，确定第一分割损失函数；

S36、根据所述蒸馏损失函数和所述第一分割损失函数，得出第二分割模型；

S37、将所述全区甲襞微循环图像输入第二分割模型，得到第三图像分割标记；

S38、根据所述第三图像分割标记对第二次分割后全区甲襞微循环图像进行分割，得到所述第二子区域图像。

3.如权利要求2所述的甲襞微循环图像拼接方法，其特征在于，所述S34中，所述阈值函数公式为：

，

其中，f(xi)是像素的图像分割概率， 是像素的图像分割标记，a是第一阈值，在所述像素的图像分割概率大于或等于第一阈值的情况下，该像素的图像分割标记取值为1；在某个像素的图像分割概率小于所述第一阈值的情况下，该像素的图像分割标记取值为0，其中，所述第一阈值a可以为0至1中的任何值。

4.如权利要求1所述的甲襞微循环图像拼接方法，其特征在于，所述第二子区域的图像特征包括甲襞微血管流向，弧度，管袢形态及甲周弧度大小。

5.如权利要求1所述的甲襞微循环图像拼接方法，其特征在于，所述S5具体如下：

S51：在机器学习装置接收所述第一子区域与第二子区域相关联的像素数据，设为第一类信息；

S52：由机器学习分类器对所述第二子区域分类后，生成与所述第一子区域相关联的像素数据，类参数，及像素数据计算激活图，设为第二类信息；

S53：当机器学习装置同时接收第一子区域与第二子区域图像时，执行第一学习操作；

S54：当机器学习装置没有同时接收第一子区域与第二子区域图像时，执行第二学习操作。

6.如权利要求5所述的甲襞微循环图像拼接方法，其特征在于，所述第一学习操作为当机器学习装置生成第二类信息时，计算指示与所述第二子区域相关联的像素数据之中将被优先参照的特定像素数据激活图，将激活图与所述第一子区域进行比较，以及根据比较结果和所述机器学习分类器分类后的结果执行反向传播；第二学习操作为根据所述机器学期分类器分类后的结果执行反向传播，将与所述第一子区域相关联的像素数据从两个或多个卷积层中的一个卷积层输出，输出结果为像素数据计算激活图。