[發(fā)明專利]一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類處理方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010162337.8
• 申請(qǐng)日: 2020-03-10
• 公開（公告）號(hào): CN111340133A
• 公開（公告）日: 2020-06-26
• 發(fā)明（設(shè)計(jì)）人: 武軍成;張攀;肖建
• 申請(qǐng)（專利權(quán)）人: 四川長虹電器股份有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 四川省成都市天策商標(biāo)專利事務(wù)所 51213
• 代理人: 張秀敏

本發(fā)明公開了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類處理方法，包括：建立VGG16卷積神經(jīng)網(wǎng)絡(luò)分類模型；將已有的MIAS醫(yī)學(xué)圖像數(shù)據(jù)庫中的圖像處理成適用于VGG16卷積神經(jīng)網(wǎng)絡(luò)分類模型的圖像，將圖像分成訓(xùn)練集和測試集；對(duì)已有的VGG16卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)，即前面的層不動(dòng)，對(duì)softmax層進(jìn)行改動(dòng)；將訓(xùn)練集輸入修改后的VGG16卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類訓(xùn)練，得到訓(xùn)練后的VGG模型；將測試集輸入訓(xùn)練后的VGG模型，輸出圖像預(yù)測結(jié)果。本發(fā)明保留較大局部范圍內(nèi)的特征相關(guān)性，因此可以使圖像分割的關(guān)鍵特征更加明顯，病變區(qū)域能夠清晰高效地被發(fā)現(xiàn)；其次基于VGG模型的計(jì)算量要小于其他模型。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體的說，是一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類處理方法。

背景技術(shù)

傳統(tǒng)醫(yī)學(xué)圖像處理方法是采用稀疏表征圖像，通過大規(guī)模地訓(xùn)練支持向量機(jī)的進(jìn)行圖像分類，而此方法的主要缺陷在于稀疏編碼和分類模型是在不同目標(biāo)函數(shù)的監(jiān)督下公開訓(xùn)練得到的，即得到的醫(yī)學(xué)圖像中分割出一些可能存在癌變的待定區(qū)域，然后提取這些待定區(qū)域的結(jié)構(gòu)、紋理特征作為立足點(diǎn)來訓(xùn)練分類器，然后將數(shù)據(jù)進(jìn)行分類。由于上述缺陷，因此分割可能存在的待定區(qū)域時(shí)由于邊界模糊，造成待定區(qū)域的選取出現(xiàn)偏差錯(cuò)誤；再加上醫(yī)學(xué)圖像通常對(duì)比度較低，組織特征的可變性、不同組織之間或者組織和病灶之間邊界的模糊性以及微細(xì)結(jié)構(gòu)(如血管、神經(jīng)等)分布的復(fù)雜性，因此，傳統(tǒng)的圖像處理方法無法做到準(zhǔn)確的識(shí)別出醫(yī)學(xué)圖像的癌變區(qū)域的問題。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類處理方法，用于解決現(xiàn)有技術(shù)中無法做到準(zhǔn)確的識(shí)別出醫(yī)學(xué)圖像的癌變區(qū)域的問題。

本發(fā)明通過下述技術(shù)方案解決上述問題：

一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類處理方法，包括：

步驟S1：基于MATLAB環(huán)境建立VGG16卷積神經(jīng)網(wǎng)絡(luò)分類模型，VGG16卷積神經(jīng)網(wǎng)絡(luò)分類模型具有用于從數(shù)據(jù)庫獲取數(shù)據(jù)集的調(diào)用接口；VGG16深度卷積神經(jīng)網(wǎng)絡(luò)它探索了卷積神經(jīng)網(wǎng)絡(luò)的深度與其性能之間的關(guān)系，通過反復(fù)堆疊3×3的小型卷積核和2×2的最大池化層，成功地構(gòu)筑了16到19層深的卷積神經(jīng)網(wǎng)絡(luò)。相比之前的網(wǎng)絡(luò)結(jié)構(gòu)，VGGNet的出錯(cuò)率有了很大程度上的降低。VGGNet的結(jié)構(gòu)非常簡潔，整個(gè)網(wǎng)絡(luò)都使用了同樣大小的卷積核尺寸(如3×3)和最大池化尺寸(如2×2)；

步驟S2：將已有的MIAS醫(yī)學(xué)圖像數(shù)據(jù)庫中的圖像處理成適用于VGG16卷積神經(jīng)網(wǎng)絡(luò)分類模型的圖像，將圖像分成訓(xùn)練集和測試集；

步驟S3：對(duì)已有的VGG16卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)，即前面的層不動(dòng)，對(duì)softmax層進(jìn)行改動(dòng)，改為基于醫(yī)學(xué)病變特征的特征提取并進(jìn)行三分類；

步驟S4：按照訓(xùn)練最優(yōu)比例，給模型足夠多的訓(xùn)練集，并將訓(xùn)練集輸入修改后的VGG16卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類訓(xùn)練，得到訓(xùn)練后的VGG模型，其中訓(xùn)練過程為：

將圖像依次經(jīng)過卷積神經(jīng)網(wǎng)格的卷積層、全連接層、池化層和預(yù)測層，卷積過程及基于一個(gè)固定的矩陣，在另外一個(gè)矩陣不斷一格一格掃過去得到的數(shù)值的和；從卷積層輸出的特征圖會(huì)進(jìn)入到池化層來進(jìn)行特征選擇和信息過濾；全連接即對(duì)于第n-1層和第n層而言，第n-1層的任意一個(gè)節(jié)點(diǎn)都和第n層所有節(jié)點(diǎn)有連接，即第n層的每個(gè)節(jié)點(diǎn)在進(jìn)行計(jì)算的時(shí)候，激活函數(shù)的輸入是n-1層所有節(jié)點(diǎn)的加權(quán)；池化層功能是用相鄰區(qū)域的特征圖統(tǒng)計(jì)量來代替特征圖中單個(gè)點(diǎn)的結(jié)果；

步驟S5：將測試集輸入訓(xùn)練后的VGG模型，輸出圖像預(yù)測結(jié)果。

(a)輸入一張224×224×3的圖像，經(jīng)過大小為64個(gè)卷積核的兩次卷積操作后，采用一次池化操作；

(b)又經(jīng)過兩次大小為128個(gè)卷積核的卷積操作之后，采用一次池化操作；

(c)然后經(jīng)過大小為256個(gè)卷積核的三次卷積操作后，進(jìn)行一次池化操作；