[发明专利]一种树状结构数据的图像与分割标签生成模型及应用

权利要求书

1.一种两阶段的树状结构数据的图像与分割标签生成模型，其特征在于，该模型包含两个模块，第一模块为基于少量专家知识设计的树状结构图像仿真器模型，用于生成粗粒度的树状结构图像，第二模块为基于形态损失函数的生成网络模型，用于学习真实树状结构图像风格，对仿真图像细节进行调整；

(1)基于少量专家知识设计的树状结构图像仿真器模型M_γ：通过归纳真实图像的先验知识构建仿真器，生成树状结构仿真图像与其对应的分割标签，树状图像的先验知识包含，树的形态、像素或体素强度直方图、背景噪声和枝干的模糊效应特征；

(2)基于形态损失函数的生成网络模型R：在保证图像底层分割级标签不变的情况下，学习真实图像的风格与形态特征，对模拟图像的细节纹理和整体像素或体素分布风格进行调整。

2.根据权利要求1所述的图像与分割标签生成模型，其特征在于，第一模块中，基于少量专家知识设计的树状结构图像仿真器模型将树状结构图像的特征分为内部特征和外部特征，内部特征关注于图像中枝干的几何图像特征，包括树的深度，枝干分叉度，枝干半径，枝干长度和枝干方向，外部特征指图像的纹理特点，枝干强度分布和噪声分布。

3.根据权利要求2所述的图像与分割标签生成模型，其特征在于，树状结构图像的内部特征用于模拟枝干形状，神经元的基本形态用树形结构表示，其基本形态表示为一种层次的嵌套结构，具有多级分支、三维伸展的形态特征，从一个根节点出发，沿枝干生长形成分支，在每层的分叉节点进行一次分裂后继续生长，以此形成多层次的树结构，结构的开端，称为根结点，根节点之外的节点，称为子节点，没有连到其他子节点的节点，称为叶子节点，使用一系列不同半径的节点来模拟典型的树状结构：

其中，n_i为单个结点，其位置为p_i＝(x_i,y_i,z_i)，半径为r_i，结点n_j为结点n_i的父节点，结点n₀为根节点，在此基础上，仿真模型M_γ生成仿真树状结构图像还需要以下参数，包括节点半径R、分枝长度L、分枝角度、枝干分叉度B和树的深度T，按照图像中枝干的形态统计的相关工作的结果设定；

树的深度T是指从根节点开始，树的分叉次数，按照均匀分布U(T_min,T_max)获得，其概率密度为：

其中，T_max，T_min分别为最大和最小的树深度；

枝干分叉度B是指分叉处的分叉子枝干树，在此按指数分布获得：

其中，α取1；

每条枝干上节点半径R按均匀分布U(R_min,R_max)获得，并且分支半径以δ_r的速率在每层树的深度上递减：

其中，R_max，R_min分别为最大和最小的枝干半径，枝干半径衰减率为δ_r；

分枝长度L按均匀分布U(L/2,3L/2)获得，并且枝干长度以δ_l的速率在每层树的深度上递减：

其中，L为根据统计获得枝干的平均长度，枝干长度衰减率为δ_l；

子枝干的方向根据其父枝干方向确定，通过沿Z轴和Y轴依次旋转，旋转角度为θ_z和θ_y，角θ_y取较小的角度，按照均匀分布U(π/4,π/2)获得，使子枝干与父枝干的方向大致相同：

角θ_z按照等差数列获得：

其中，B为枝干分叉度，使得子枝干均匀的沿中心轴环绕分布。