[发明专利]一种基于深度学习的静脉显像方法和装置

权利要求书

1.一种基于深度学习的静脉显像方法，其特征在于，包括如下步骤：

步骤1，对包含静脉数据的图像进行数据增强；

步骤2，建立深度学习的网络模型，设计训练方案，对网络模型进行训练，得到训练好的模型；

步骤3，采集测试图像，消除色差后输入到训练好的模型中，得到输出结果；

步骤1包括如下步骤：

步骤1-1，从静脉数据库读取到包含静脉数据的RGB图像，通过公式(1)得到图像亮度Y，通过公式(2)、(3)得到色度偏红U和偏紫V：

Y＝0.299*r+0.587*g+0.114*b(1)

U＝0.1687*r-0.3313*g+0.5*b+128(2)

V＝0.5*r-0.4187*g-0.0813*b+128(3)

其中，r表示包含静脉数据的RGB图像的红色通道分量，g表示包含静脉数据的RGB图像的绿色通道分量，b表示包含静脉数据的RGB图像的蓝色通道分量；

由公式(4)通过随机r值达到随机色度和饱和度的效果：

其中r范围为(0，5)；

步骤1-2，对于包含静脉数据的RGB图像，同时进行水平镜像、垂直镜像以及围绕图像中心随机旋转操作，并进行仿射变换；

步骤1-3，将数据库中的所有图像中心处用256*256的矩形框截取图像，获得相应的手臂块图像；

步骤1-2中，通过如下公式得到仿射变换：

其中，center.x、center.y分别为原图像旋转中心的x坐标和y坐标，scale为各向同性比例因子，θ为旋转角度；

步骤2包括：

步骤2-1，使用卷积神经网络来构建特征提取器，特征提取器依次使用了1个7*7的卷积层以及32个3*3的卷积层，从第一个3*3的卷积层开始，将每两个卷积层之间构建一个额外的连接，通过这个结构将输入值与正常卷积操作值做差，在训练中将差值作为训练目标；

步骤2-2，在特征提取器后添加一个空洞卷积模块，空洞卷积模块包括四个空洞卷积层以及四个线性整流函数ReLU层作为激活函数，每个空洞卷积层后连接一个ReLU层；

步骤2-3，在空洞卷积模块后添加一个转置卷积层，转置卷积作为解码器来输出所需要的图像，并且使用Sigmoid作为激活函数来优化模型；

步骤2-4，训练模型时，使用的是经过步骤1-1和1-2处理后的同帧的N对RGB-NIR手臂图像以及步骤1-3剪切过的N对手臂块图像，随机选取其中80％的图像作为训练集，20％的数据作为测试集；

步骤2-5，在训练模型前确定初始的学习率lr，训练的轮数epoch，批大小bitchsize，并设计随轮数更改的学习率变化函数，其中训练中参数调整方法使用随机权重平均方法；

步骤2-6，设计基于图像梯度融合的均方差损失函数来衡量模型的效果，得到效果最好的模型；

步骤2-3中，所述激活函数sigmoid为：

其中x为输入矩阵，S(x)为对应的输出矩阵，S′(x)为S(x)的一阶导数；

步骤2-5中，学习率的变化函数lr为：

其中，x为初始学习率，y为当前训练轮数，z为训练总轮数；

步骤2-6中，首先将训练图像分解为横、纵两个方向梯度函数g(x)，g(y)，并在训练中依次计算均方误差损失，最后取平均作为损失函数，所述损失函数为：

其中，loss为损失函数，l(x)，l(y)分别为在x方向以及y方向梯度函数的均方误差损失；

步骤3包括：

步骤3-1，选取基准图像，将其进行通道分离，分别分离出基于红色，绿色，蓝色的三张单通道图像，并分别进行直方图均衡化，分别得到每个像素z和累积分布T(z)；

步骤3-2，将用于静脉显像的测试图像进行如步骤3-1同样的操作，得到每个像素s和累积分布G(s)，并分别与基准图像的对应通道的图像做差，然后根据差值的绝对值建立灰度级的映射，对于每一个G(s)，设定其像素值为ss，找到在T(z)中与其差值最小的那个T(z)值，设定对应的像素值为zz，把ss变换为zz；

步骤3-3，将进行过色差消除的图像输入到训练好的模型里，得到输出结果。