[發明專利]基于特征定義和深度學習的圖像二分類集成學習方法

在審

• 申請號: 202210299753.1
• 申請日: 2022-03-25
• 公開（公告）號: CN114399635A
• 公開（公告）日: 2022-04-26
• 發明（設計）人: 曾慶超;韓峰濤;庹華;袁順寧;王利利;張立煬;李亞楠
• 申請（專利權）人: 珞石（北京）科技有限公司
• 主分類號: G06V10/25
• 分類號: G06V10/25;G06V10/26;G06V10/764;G06V10/82;G06K9/62;G06N3/04
• 代理公司: 北京瑞盛銘杰知識產權代理事務所(普通合伙) 11617
• 代理人: 李績

1.一種基于特征定義和深度學習的圖像二分類集成學習方法，其特征在于，包括：

步驟S1，對目標圖像中的感興趣區域ROI進行分割；

步驟S2，將步驟S1中獲取到的ROI區域進行基于特征定義的分類，包括：首先對ROI區域進行特征提取和篩選，然后將得到的有效特征送入機器學習分類器進行訓練分類；

步驟S3，對步驟S1中分割出來的圖像ROI區域進行基于深度學習的分類，并預測出每個類別所屬的概率信息；

步驟S4，將步驟S2的基于特征定義的每個圖像ROI區域的分類概率和步驟S3中的深度學習對圖像ROI區域的分類概率進行結果集成，包括以下形式之一：

（1）結果的加權集成

其中p是圖像ROI區域的最終分類概率，，...和，...,分別是基于特征定義的n個機器學習分類器的輸出分類概率和m個深度學習的圖像ROI輸出的分類概率，，...和，...分別是特征定義的n個機器學習分類器輸出概率的系數與m個深度學習分類模型輸出的分類概率系數，其分別定義如下：

其中,...和,...是相同的樣本總體中n個機器學習分類器和m個深度學習分類模型分類正確的個數，然后通過加權集成的方式得到圖像ROI區域的最終預測概率p；

（2）投票方式的集成

選擇n個機器學習的分類器，然后選擇m個深度學習分類模型，當判斷某個圖像ROI屬于哪一個類別時，以多數分類器判斷的類別為結果，然后類別的概率以所有分類器中最大的一個作為其最終分類概率p。

2.如權利要求1所述的基于特征定義和深度學習的圖像二分類集成學習方法，其特征在于，在所述步驟S1中，采用深度學習算法或者圖像分割算法對感興趣區域ROI進行分割。

3.如權利要求1所述的基于特征定義和深度學習的圖像二分類集成學習方法，其特征在于，在所述步驟S2中，所述對ROI區域進行特征提取和篩選，包括如下步驟：將所述ROI區域進行小波變換，小波變換在空間的兩個維度上來進行，每個維度產生低頻帶L和高頻帶H，所以共產生低低LL、低高LH、高低HL和高高HH四個子帶，然后從原圖和四個子帶分別進行統計特征和紋理特征的提取。

4.如權利要求3所述的于特征定義和深度學習的圖像二分類集成學習方法，其特征在于，所述統計特征包括：像素分布峰度、像素偏度、像素標準差、像素方差、像素能量值、像素均方根和像素熵。

5.如權利要求3所述的于特征定義和深度學習的圖像二分類集成學習方法，其特征在于，所述紋理特征包括灰度共生矩陣，灰度游程長度矩陣，灰度區域大小矩陣和領域灰度差分矩陣。

6.如權利要求1所述的基于特征定義和深度學習的圖像二分類集成學習方法，其特征在于，在所述步驟S3中，選擇m個深度學習分類模型，并且獲得每個模型的分類概率為，...,，包括：將步驟S1中得到的ROI區域進行訓練集、測試集和驗證集的劃分，劃分比例根據數據集每類的大小選擇不同的比例；然后將訓練集和驗證集送入深度學習網絡進行訓練，最后分別輸出每個模型對圖像ROI的分類概率。