[發明專利]生物多光譜圖像的深度學習分類方法及裝置

在審

• 申請號: 201710547113.7
• 申請日: 2017-07-06
• 公開（公告）號: CN107169535A
• 公開（公告）日: 2017-09-15
• 發明（設計）人: 談宜勇
• 申請（專利權）人: 談宜勇;李紀華
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 北京悅成知識產權代理事務所(普通合伙)11527
• 代理人: 樊耀峰

1.一種生物多光譜圖像的深度學習分類方法，其特征在于，所述方法包括如下過程：對生物多光譜圖像進行數據預處理得到預處理結果；根據感興趣的生物現象關系確定至少一個相關特征濾波器模板；將預處理結果作為深度學習框架的輸入，對所述生物多光譜圖像進行深度學習，并以所述至少一個相關特征濾波器模板調整深度學習框架，從而得到訓練好的深度學習框架；將待分類的多光譜圖像輸入到所述訓練好的深度學習框架中，得到所述待分類的多光譜圖像對應的分類。

2.根據權利要求1所述的深度學習分類方法，其特征在于，所述數據預處理包括如下步驟：

①將每一個多光譜圖像均轉換為一個M×N矩陣，其中，M為所述多光譜圖像像素的個數，N為多光譜圖像中波長值的個數；

②利用主成分分析PCA計算出對所述矩陣貢獻較大的前m個波長；

③在個波長組合中選出最相關的波長組合A，A是包含n個不同波長值的波長組合；

④對所述多光譜圖像進行分區，針對每個區域的圖像，計算波長組合A中各波長的相關系數，選出最大相關系數對應的區域W；

⑤對區域W中波長組合A中不同波長的強度進行像素分布直方圖歸一化，以歸一化得到的結果作為所述預處理結果。

3.根據權利要求2所述的深度學習分類方法，其特征在于，步驟③包括：計算m個波長中任意兩個波長的相關系數，將相關系數從大到小排序，在最大的前s個相關系數所對應的s個組合中，將含有n個不同波長值的波長組合視為一個大組，得到多個所述大組，將每個所述大組中所有波長組合對應的相關系數相加，得到多個和Q，取最大的和Q_max對應的n個波長形成波長組合A。

4.根據權利要求1所述的深度學習分類方法，其特征在于，基于多種生物現象的相互關系設計所述相關特征濾波器模板。

5.根據權利要求4所述的深度學習分類方法，其特征在于，所述多種生物現象的相互關系包括：不同生物現象的方位關系、不同生物現象所占面積的相對大小和/或不同生物現象之間相隔的距離。

6.根據權利要求4所述的深度學習分類方法，其特征在于，所述基于多種生物現象的相互關系設計所述相關特征濾波器模板包括：

(1)根據感興趣的生物現象發生區域的面積大小決定所述相關特征濾波器模板的區域面積大小和像素個數；

(2)基于多光譜圖像中不同波長值的數量確定所述相關特征濾波器模板的像素深度；和/或

(3)基于多光譜圖像中不同波長的相關系數的大小和生物現象特有特征確定所述相關特征濾波器模板中不同組分的寬度和形狀。

7.根據權利要求1所述的深度學習分類方法，其特征在于，其中所述的深度學習框架采用卷積神經網絡，所述以所述至少一個相關特征濾波器模板調整深度學習框架包括：

(1)以所述至少一個相關特征濾波器模板和常規特征學習模板作為卷積神經網絡的第1層卷積層；

(2)將所述至少一個相關特征濾波器模板加入到卷積神經網絡的第d層卷積層中，且d為大于1小于等于隱含層層數的自然數；或者

(3)以所述至少一個相關特征濾波器模板作為一個新的卷積層增加到卷積神經網絡的隱含層中。

8.根據權利要求1所述的深度學習分類方法，其特征在于，以所述至少一個相關特征濾波器模板調整深度學習框架還包括：在深度學習過程中，對所述至少一個相關特征濾波器模板的權重進行調整。

9.根據權利要求1所述的深度學習分類方法，其特征在于，使用Huber成本函數作為深度學習框架的輸出層成本函數。

10.根據權利要求1所述的深度學習分類方法，其特征在于，所述方法還包括：在對所述生物多光譜圖像進行深度學習過程中，隨機地選擇一個卷積層，對其中的全部圖像區域或部分圖像區域中的一個或多個波長不做相關特征濾波器模板卷積。

11.根據權利要求1所述的深度學習分類方法，其特征在于，所述方法還包括：在對所述生物多光譜圖像進行深度學習過程中，隨機地選擇一個卷積層，對其中部分圖像區域中的感興趣的波長不做常規模板卷積，對需要濾除的波長不做相關特征濾波器模板卷積。