[发明专利]基于受限玻尔兹曼机和最近邻分类法的脑部磁共振图像分类方法

说明书

技术领域

本发明属于图像分类技术领域，具体涉及一种基于受限玻尔兹曼机和最近邻分类法的脑部磁共振图像分类方法。

背景技术

磁共振图像由于具有无放射污染、分辨率高、成像参数多等优点在医学临床和研究中发挥了重要的应用价值。如何快速、有效地对人脑图像数据进行组织分类，协助医生完成医学诊断已成为当今研究的热点。然而，由于成像过程受到诸如噪声、场偏移效应、局部体效应以及组织运动等的影响，医学图像不可避免地具有各组织边缘模糊、区域灰度不均匀等特点，这些都给图像组织类别的正确分类带来了困难，常常导致分类的结果准确率不高、分类速度较慢。传统基于统计学习的贝叶斯分类器、神经网络分类器等在水质预警、细胞图像分割和医学图像分类等领域中取得较好的分类效果，但它们需要建立在大样本前提下才能避免过拟合和欠拟合，在医学图像分类应用中有一定的局限性。支持向量机(SVM)对小样本、高维、非线性样本具有更好的分类效果，但是不同的核函数选择和参数d值的设定对分类的精度有比较大的影响。

发明内容

本发明的目的在于克服现有技术中的不足，提供了一种基于受限玻尔兹曼机和最近邻分类法的脑部磁共振图像分类方法，对脑部磁共振图像预处理后利用受限玻尔兹曼机进行特征提取，然后根据特征基于最近邻分类法进行分类， 可以提高分类准确性，加快分类速度。

为解决上述技术问题，本发明提供了一种基于受限玻尔兹曼机和最近邻分类法的脑部磁共振图像分类方法，其特征是，包括如下步骤：

步骤A，对脑部磁共振图像集中各图像进行预处理，抽样各图像及其对应的标签构成测试集和训练集；

步骤B，基于受限莫尔兹曼机对训练集进行训练，提取训练集特征；

步骤C，将上一步提取的特征利用最近邻分类器进行分类。

进一步的，图像预处理的过程包括：

A1，将各图像统一为同等像素大小；

A2，对各图像进行二值化处理；

A3，对二值化后的各图像进行降采样处理。

进一步的，将图像统一为100*100像素大小。

进一步的，采用随机抽样方法抽取各图像生成测试集和训练集，测试集和训练集比例范围为12:4～20:4。

进一步的，对RMB训练的具体过程为：

B1，采用随机函数生成均值为0、方差为1的权值矩阵，生成全0的可视层偏置矩阵和全0的隐层偏置矩阵，设定学习率、误差值；

B2，将训练集与权值矩阵相乘，再与可视层偏置矩阵相加，得到隐层矩阵，隐层矩阵的数目等同可视层数目；

B3，随机生成一个均值为0、方程为1的矩阵，该矩阵的维度数和隐层矩阵大小相同，用该矩阵作为阈值，将隐层矩阵数据二值化；

B4，基于对比散度算法，对隐层矩阵进行重构，得到重构后的可视层矩阵；

B5，将重构后的可视层矩阵和原可视层矩阵作差，得到差值矩阵，差值矩阵与学习速率相乘即为新的权值矩阵，可视层偏置矩阵与重构偏置矩阵做差再乘以学习速率即为新的可视层偏置；隐层偏置与重构隐层偏置做差再乘以学习速率即为新的隐层偏置；

B6，重复步骤B5，直至重构误差低于设定误差值，停止迭代，所得的权值矩阵和可视层偏置矩阵即为特征提取器。

进一步的，利用RBM提取特征输入KNN中进行分类的具体过程包括：

C1，将所得的特征矩阵及与之对应的训练集中各图像标签，采用最近邻分类器，得到两类分类模型；

C2，将测试集经过特征提取器提取之后得到的测试集特征输入分类模型进行分类，得到分类结果；

C3，将分类结果与测试集中各图像标签做对比，得到分类结果准确率。

与现有技术相比，本发明所达到的有益效果是：本发明方法对脑部磁共振图像预处理后利用受限玻尔兹曼机进行特征提取，然后根据特征基于最近邻分类法进行分类，可以提高分类准确性，加快分类速度。经统一化、二值化和降采样预处理后的图像，不仅可以大大提高图像的质量，而且使后面利用受限玻尔兹曼机对图像特征学习的结果变得更加可靠，提高诊断的准确率。

附图说明

图1是本发明方法的流程示意图；

图2是本发明实施例中训练次数与分类正确率之间的关系图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，本发明的一种基于受限玻尔兹曼机和最近邻分类法的图像分类方法，包括如下步骤：