[发明专利]一种基于深度强化学习的纳米成像的图像配准方法

权利要求书

1.一种基于深度强化学习的纳米成像的图像配准方法，其特征在于，具体步骤如下：

(一)构建深度强化学习网络模型

深度强化学习网络模型分为左右两个分支；其中：

左边分支网络：包括一个全连接层1，输入为动作序列；

右边分支网络：包括：卷积层4和池化层1和卷积层5，输入为选取的参考图片和待配准图片，经过卷积层和池化层后再分为两个小的分支；其中：

左边小分支网络，包括三层卷积：卷积层6、卷积层7、卷积层8；右边的小分支网络包括空间转换网络和两层卷积：卷积层9和卷积层10；

最后左边分支网络和右边分支网络特征合并，再经过两个全连接层：全连接层2和全连接层3，一个softmax层，用来表示策略函数的动作概率分布；

(二)图像配准

对于图形的变化，细分为以下几个动作：图像的放大记为a₁，图像的缩小记为a₂，图像的逆时针旋转记为a₃，图像的顺时针选择记为a₄，图像的向上平移记为a₅，图像的向左平移记为a₆，图像的向右平移记为a₇，图像的向下平移记为a₈；通过以上的8种动作序列，来对待配准的图像进行微调；具体流程为：

(1)根据概率分布，从以上的动作序列中选取一个动作移动待配准图像，并且返回一个奖励值；按照迭代次数或者判断网络状态值是否达到阈值，对待配准图像进行重采样；

(2)将单模态下的待配准图像、参考图像和以上的动作序列输入到步骤(一)中构建的深度强化学习网络模型中，输出策略动作的概率分布；

(3)根据ε的概率，从上述动作序列中选取一个概率分布最大的，根据这个动作，对待配准图像进行移动,并且返回一个奖励值；这里的奖励值用两张图像的相似度作为度量，如果相似度到达某个阈值，则停止；如果没有到达阈值，则接着将移动后产生的待配准新图和参考图像再次放进网络中运行。

2.根据权利要求1所述的基于深度强化学习的纳米成像的图像配准方法，其特征在于，步骤(一)中构建的深度强化学习网络模型中，模型具体参数如下：

3.根据权利要求2所述的基于深度强化学习的纳米成像的图像配准方法，其特征在于，步骤(二)中的8种动作中，放大和缩小的倍率增量和减量都设置为0.05，逆时针和顺时针的旋转都设置为1度，图像的平移距离都设置为1mm。