[發(fā)明專利]一種魚類捕食行為分析的多模態(tài)腦影像融合方法

在審

• 申請?zhí)枺?/td>: 202211343348.1
• 申請日: 2022-10-31
• 公開（公告）號: CN115908994A
• 公開（公告）日: 2023-04-04
• 發(fā)明（設(shè)計(jì)）人: 胡秋;蔡衛(wèi)明;胡紹海;白楊;鄒歡清;金婧;馬新莉
• 申請（專利權(quán)）人: 浙大寧波理工學(xué)院
• 主分類號: G06V10/80
• 分類號: G06V10/80;G06V10/772;G06V10/54;G06V10/40;G06V10/46;G06V10/77
• 代理公司: 寧波甬致專利代理有限公司 33228
• 代理人: 袁波

1.一種魚類捕食行為分析的多模態(tài)腦影像融合方法，其特征在于，包括步驟：

S1：基于分離字典學(xué)習(xí)通過關(guān)聯(lián)稀疏系數(shù)構(gòu)成的稀疏矩陣來表征結(jié)構(gòu)紋理特征；

S2：通過正交匹配追蹤法和黎曼流形上共軛梯度法經(jīng)過循環(huán)迭代得到預(yù)訓(xùn)練字典；

S3：采用紋理對比度與稀疏顯著性特征和構(gòu)造活性測度以保留紋理信息，通過稀疏重構(gòu)得到融合的腦影像。

2.根據(jù)權(quán)利要求1所述的魚類捕食行為分析的多模態(tài)腦影像融合方法，其特征在于，所述步驟S1包括：

S11：建立初始字典原子與當(dāng)前殘差，利用初始字典原子和當(dāng)前殘差確定最相關(guān)字典原子的索引，并經(jīng)多次迭代得到索引集，采用最小二乘法更新稀疏系數(shù)，并對稀疏系數(shù)求偏導(dǎo)，得到當(dāng)前字典下的重構(gòu)樣本以及更新殘差；

S12：將更新殘差與字典原子重新確定最相關(guān)字典原子的索引，以完成迭代循環(huán)，得到正交匹配追蹤法下的更新稀疏系數(shù)。

3.根據(jù)權(quán)利要求2所述的魚類捕食行為分析的多模態(tài)腦影像融合方法，其特征在于，所述步驟S2包括：

S21：將分離字典構(gòu)成的組變量投影到黎曼流形上，并通過測地線線性搜索移動步長，得到當(dāng)前點(diǎn)在切空間上的黎曼梯度和修正搜索方向；

S22：利用黎曼梯度和修正搜索方向通過線性搜索確定步長，得到黎曼流形上共軛梯度法下的更新字典數(shù)組；

S23：結(jié)合正交匹配追蹤法和黎曼流形上共軛梯度法進(jìn)行循環(huán)迭代，經(jīng)樣本訓(xùn)練后，得到預(yù)訓(xùn)練字典。

4.根據(jù)權(quán)利要求3所述的魚類捕食行為分析的多模態(tài)腦影像融合方法，其特征在于，所述字典學(xué)習(xí)的目標(biāo)函數(shù)為：

其中，表示稀疏系數(shù)；N表示訓(xùn)練樣本Y的個(gè)數(shù)；D_A∈R^m×n(n＞m)和D_B∈R^m×n(n＞m)表示子字典；

字典學(xué)習(xí)過程包括稀疏編碼和分離字典更新兩部分的循環(huán)迭代。

5.根據(jù)權(quán)利要求1所述的魚類捕食行為分析的多模態(tài)腦影像融合方法，其特征在于，所述步驟S3包括：

S31：將多個(gè)已配準(zhǔn)的多模態(tài)腦影像經(jīng)滑動窗口技術(shù)得到對應(yīng)的重疊塊，并采用預(yù)訓(xùn)練字典對重疊塊進(jìn)行稀疏表示得到相應(yīng)的稀疏系數(shù)圖。

6.根據(jù)權(quán)利要求5所述的魚類捕食行為分析的多模態(tài)腦影像融合方法，其特征在于，所述步驟S3還包括：

S32：基于重疊塊，采用紋理對比度測度提取空間顯著特征；

S33：基于稀疏系數(shù)圖，采用稀疏顯著性特征和測度提取變換顯著特征；

S34：結(jié)合空間顯著性和變換顯著性構(gòu)造融合活性測度，并利用活性測度指導(dǎo)多個(gè)多模態(tài)腦影像對應(yīng)的稀疏系數(shù)融合；

S35：利用預(yù)訓(xùn)練字典通過稀疏重構(gòu)得到融合的腦影像。