[发明专利]用于输出MR图像特征点描述向量符的模型及其建立方法

说明书

本发明涉及用于输出MR图像特征点描述向量符的模型及其建立方法，包括以下步骤：1：构建基础的卷积神经网络，并利用ImageNet图像库训练基础神经网络，得到分类模型；2、从MR图像库中查找符合查询标准Q的图像，将图像进行分类并标记，将标记后的图像加入到MR训练图像库中；3、利用MR训练图像库中的图像对分类模型进行训练；4、训练完毕后，改变分类模型的全连接层的输出方式，改变后的全连接层用于输出输入的图像的特征描述向量，模型建立完成。本发明的模型首先经过了普适性训练，然后又经过了MR图像的针对性训练，因此模型的准确度高，适应性强。

技术领域

本发明涉及输出图像特征点描述向量符的方法，具体涉及用于输出MR图像特征点描述向量符的模型及其建立方法。

背景技术

历年以来，在医学影像特征点描述符的研究方面，世界上众多的研究人员进行了深入的研究，发表了大量的文献。以SIFT算法为主的特征点描述符构造方法，以及在SIFT基础上改进而来的SURF、PCA-SIFT等一系列方法。

最早特征点描述符为局部微分算子。Florack等组合了一系列算子构建了具有旋转不变性的微分不变式描述符。Schmid和Mohr发展了局部微分算子，使其对灰度值具有不变性并应用于图像检索。Freeman和Adelson通过线性组合一些列基本滤波器，构成一个稳定滤波器，并用于图像处理的方向、尺度选择任务中。另外Gabor滤波器和小波变换也可以用于在频域描述图像的局部纹理特征。而SIFT(Scale Invariant Feature Transform)描述符具有尺度不变性，很强的鲁棒性，在光照变化、尺度变化、噪声和遮挡等因素的影响时对局部特征的描述仍有出色的表现。基于SIFT的改进描述符PCA-SIFT(PrincipalComponent Analysis SIFT)算子将SIFT的128维特征向量降低到36维，加快了匹配速度，但性能逊于SIFT算法；GLOH(Gradient Location-Orientation Histogram)算子其独特性要优于SIFT，但是计算复杂度更大。Bay提出的SURF(Speeded Up Robust Features)描述符计算Haar小波在特征点局部邻域积分图像的高斯加权的响应，获得64/128维的特征描述符。该算法在独特性和鲁棒性上优于SIFT算法。唐永鹤等提出带符号对比上下文直方图(SCCH)的特征描述符，对灰度变化、尺度缩放、模糊有较好的鲁棒性，并具有较快的匹配速度。

尽管SIFT、SURF等描述符在模式识别、目标检测等视觉计算领域获得了很大的成功，但是它们所固有的对局部邻域的描述方法，无法解决图像存在较大变形时的描述问题，在图像中存在多个相似的局部区域时易发生错误。针对局部邻域描述符存在的问题，也出现了一些变形特征点描述符，譬如，Ling所提出的基于测量距离的GIH算法，该方法假设图像在不同方向上产生的变形是同方性的，然而实际情况并非总是如此。Tian基于Hilbert扫描提出了一种低复杂度的变形描述符，但是，如果兴趣点处于Hilbert扫描线分支上时，该算法将失效。Chen提出了变形局部描述模型LGS(Local-to-Global Similarity)，对一个兴趣点采用多尺度的支持域，从全局到局部对兴趣点进行描述。该模型并非直接描述可能存在的形变，其采用的尺度支持域以兴趣点为中心，不能正确表现所发生的形变，且计算复杂度较大。

发明内容

本发明所要解决的技术问题是提供用于输出MR图像特征点描述向量符的模型及其建立方法，MR图像，即核磁共振影像。

本发明解决上述技术问题的技术方案如下：

用于输出MR图像特征点描述向量符的模型的建立方法，包括以下步骤：

步骤1：构建基础卷积神经网络，使用ImageNet图像库中不同类别的大量图像训练基础神经网络，得到分类模型；

步骤2、从MR图像库中查找符合查询标准Q的MR图像，将符合查询标准Q的MR图像按照预设类别进行分类，并在MR图像上标记类别，将标记后的MR图像加入到MR训练图像库中；