[发明专利]一种基于子空间学习的图像特征提取方法

权利要求书

1.一种基于子空间学习的图像特征提取方法，该方法首先利用有标记的多特征图像学习投影矩阵，将多特征图像数据映射到一个公共的低维类标子空间中；然后利用投影矩阵将无标记的多特征图像数据映射到公共子空间；在此基础上，对公共子空间中的特征进行自加权运算，并对多特征进行加权融合，最后得到无标记图像在子空间中的新特征表示，该方法包括如下步骤：

(1)对采集的磁共振MRI图像进行预处理，提取多种形态学特征；

(2)使用有标记样本学习投影矩阵

定义为特征矩阵A，为特征矩阵B，其中n为有标记样本数目，d为特征维数，为第n个样本的A特征向量，为第n个样本的B特征向量，定义Y∈R^n×c是由0-1编码组成的类标矩阵，其中c为类别数目，为了学习两个投影矩阵U^d×c和V^d×c，目标函数定义如下：

目标函数第一项l(U,V)是从特征空间到类标空间的线性回归项，它保证了投影后的样本与类标相对应，l(U,V)定义如下：

目标函数第二项用于保持同一幅图像的A特征和B特征在子空间中尽可能靠近，f(U,V)定义如下：

目标函数第三项g(U,V)是图正则化项，用来保持单一特征样本之间的邻域关系这一局部结构信息，关于A特征数据X_A的图正则化项，定义一个无向对称图G_A＝(V_A,W_A)，其中V_A是X_A中的样本集合，W_A表示样本之间的关系，W_A中的每个元素定义为：

其中定义为的k近邻，定义a_i为U^TX_A的第i列，A特征数据的图正则化项定义如下：

其中L_A＝D_A-W_A是图拉普拉斯矩阵，D_A∈R^n×n是对角矩阵，其对角线元素为

对于B特征数据X_B，定义b_i为V^TX_B的第i列，B特征数据的图正则化项定义如下：

其中和L_B的定义如前所述，最终，图正则化项g(U,V)表示为

目标函数最后一项r(U,V)控制投影矩阵的尺度以避免产生过拟合：

此外，λ,α和β是三个平衡参数，基于公式(2),(3),(7)和(8)，得到最终的目标函数为

(3)无标记样本特征提取

定义和分别为m个无标记样本的A特征矩阵和B特征矩阵，无标记样本在子空间中的特征表示为Fea_A∈R^m×c和Fea_B∈R^m×c，计算如下：

为了使无标记样本的投影特征更具区分性，同时平衡A和B两种特征对分类的影响，对子空间中的特征进行自加权运算和加权融合，得到最终的特征，最终，无标记样本的特征为

Fea＝η^*(|Fea_A|*Fea_A)+(1-η)*(|Fea_B|*Fea_B) (15)

其中η为权重参数。

2.如权利要求1所述的基于子空间学习的图像特征提取方法，其特征在于：步骤(1)的具体方式为：采集MRI图像数据，使用FreeSurfer软件进行预处理，提取多种形态学特征；然后，使用高斯核函数对图像进行平滑；最后，使用自动解剖标记AAL模板计算每个解剖区域的多种形态学特征值。

3.一种医学图像分类装置，该装置包括数据采集部件、存储器和处理器，其中，

所述数据采集部件采集并对采集的MRI图像进行预处理，提取形态学特征；

所述存储器存储有计算机程序，所述程序被处理器执行时能够实现权利要求1所述方法的步骤(2)至步骤(3)。

4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1所述方法的步骤。