[发明专利]基于深度核哈希的感兴趣区域快速检测方法

摘要

本发明公开了一种基于深度核哈希的感兴趣区域快速检测方法，主要解决现有图像中感兴趣区域检测方法检测精度低和效率低的问题。其实现步骤是：在训练过程中，将待训练数据集分为多类，输入到深度哈希监督学习网络框架中，得到相应的哈希编码，最终根据标签信息矩阵微调各网络参数，直至学习效果最佳；在测试过程中，输入的测试图像经过预处理过程，通过上述已训练好的深度核哈希网络框架，得到二进制编码；根据决策函数判断该图像的感兴趣区域位置并加以标记，完成对感兴趣区域的检测和识别。本发明能有效增强图像中感兴趣区域的检测分析性能，提高感兴趣区域的检出率和系统框架的运行效率，可应用于医学乳腺图像肿块的快速检测和识别。

主权项

1.一种基于深度核哈希的感兴趣区域快速检测方法，包括：一、训练步骤(1)输入图像：1a)在图像训练集中，随机选取两张图像作为一组图像对，将训练集中所有的图像成对组合，构成图像对训练集；1b)将图像对训练集分为四类，即第一类是标签结果相同且编码结果相似，第二类是标签结果相同但编码结果不相似，第三类是标签结果不同但编码结果相似，第四类是标签结果不同且编码结果不相似；(2)对训练集中的每幅图像对分别进行中值滤波和显著性增强的预处理，并将预处理后的图像对输入到深度学习网络；(3)结合卷积神经网络CNN模型，搭建十层深度哈希监督学习网络框架：第一、三、五层为卷积层，用于分别对上一层的输出结果进行卷积运算，增强数据特征，降低噪声；第二、四、六层为下采样层，用于根据图像局部相关性的原理，分别对上一层的输出结果进行下采样运算并保留有用信息；第七层为全连接层，用于对第二、四、六层输出的下采样数组进行串联组合，构成一个4096维度特征向量，输出到编码层；第八、九、十层为编码层，用于将上一层的高维数据映射成本层的低维数据，实现逐层编码并进行优化，最终得到4维度的二进制编码；(4)将深度哈希监督学习网络输出的4维度特征向量与标签结果信息提供的二进制编码作比较：若两个编码结果的异或计算输出值为0，则说明训练网络学习效果最佳；反之，则需要多次微调第八、九、十层的网络参数，以增强训练网络的学习效果；二、预处理步骤(5)输入待检测图像，并对其进行中值滤波和形态学滤波，以降低原输入图像的斑点噪声，增强图像质量；(6)对中值滤波后的图像进行边缘裁剪，标记出感兴趣区域的边缘轮廓并保留，并去除感兴趣区域外的背景区域，以缩短运行时间，提高效率；(7)对裁剪出来的感兴趣区域进行伽马校正运算，用以增强待检测目标的对比度，得到预处理后的图像；三、测试步骤(8)对预处理后的图像进行滑动窗操作，使滑动窗在限定的感兴趣区域内自上而下，由左至右地滑动，将预处理后的图像分为若干100像素×100像素的矩形窗子集，共同组成测试步骤的图像输入集；(9)从测试步骤的图像输入集中选取一个矩形窗子集，输入到上述训练步骤(3)中已经训练完成的十层深度哈希监督学习网络框架，经过3个卷积层、3个下采样层、1个全连接层和3个二进制编码层的运算，最终得到4维度的二进制编码；(10)判断步骤(9)中选取的矩形窗子集是否为肿块目标，即将该子集经过训练网络得到4维度的二进制编码与标签结果信息提供的二进制编码作比较：若两个编码结果的异或计算输出值为0，则判定该子集是肿块目标，执行步骤(11)，反之则不是肿块目标，返回步骤(9)；(11)对判定为肿块目标的子集进行标记并显示，返回步骤(9)，继续判断下一个所选子集是否为肿块目标，直到所有的矩形窗子集经过步骤(10)，完成对感兴趣区域内目标的检测和识别。