[发明专利]一种基于多维特征的图像处理方法、装置及设备

说明书

本发明的实施例提供一种基于多维特征的图像处理方法、装置及设备，所述方法包括：获取目标对象的四维影像图像；对所述四维影像图像进行预处理，得到目标图像；将所述目标图像输入预设分类模型中进行分类处理，得到所述目标图像的分类结果；所述预设分类模型是基于卷积神经网络进行训练得到的；所述预设分类模型是基于所述目标图像的融合多维特征后的时间序列矩阵，对所述目标图像进行分类处理的；根据所述分类结果，确定所述四维影像图像的识别结果。本发明的实施例基于融合多维特征的时间序列矩阵，对所述四维影像图像进行分类处理，提高图像分类及识别的准确度。

技术领域

本发明涉及图像处理技术领域，特别是指一种基于多维特征的图像处理方法、装置及设备。

背景技术

近年来，随着深度学习方法的发展，越来越多的研究人员转向使用深度学习模型来从功能连接矩阵进行分类研究。目前，常规卷积神经网络被应用到功能磁共振成像fMRI的分类中，其利用的仅仅是功能连接的空间信息，缺乏多尺度信息，性能较低。基于卷积神经网络（CNN），功能连接矩阵被视为简单的二维图像进行处理，取得了一定的效果。

然而，单纯的卷积神经网络无法捕捉时间维度的多尺度特征，因此迫切需要一种能够关注到时空多尺度特征卷积网络分类模型，捕捉更多时间维度和空间维度的多尺度特征，达到更好的分类性能。

发明内容

本发明提供了一种基于多维特征的图像处理方法、装置及设备。本发明的方案于融合多维特征的时间序列矩阵，对所述四维影像图像进行分类处理，提高图像分类及识别的准确度。

为解决上述技术问题，本发明的实施例提供以下方案：

一种基于多维特征的图像处理方法，所述方法包括：

获取目标对象的四维影像图像；

对所述四维影像图像进行预处理，得到目标图像；

将所述目标图像输入预设分类模型中进行分类处理，得到所述目标图像的分类结果；所述预设分类模型是基于卷积神经网络进行训练得到的；所述预设分类模型是基于所述目标图像的融合多维特征后的时间序列矩阵，对所述目标图像进行分类处理的；

根据所述分类结果，确定所述四维影像图像的识别结果。

可选的，对所述四维影像图像进行预处理，得到目标图像，包括：

将所述四维影像图像进行时间序列校正处理，得到第一影像图像，并将所述第一影像图像配准至目标标准空间，并进行图像滤波处理；

对所述目标标准空间内的第一影像图像进行数值归一化处理，得到目标图像。

可选的，所述预设分类模型对输入的目标图像的进行分类处理，包括：

根据所述目标图像的空间尺度，获得所述目标图像的第一时间序列矩阵；

对所述第一时间序列矩阵进行不同维度的特征融合处理，获得目标时间序列矩阵；

对所述目标时间序列矩阵中的任意两个时间序列进行卷积计算，获得所述目标时间序列矩阵的功能连接矩阵；

根据所述功能连接矩阵，得到分类结果。

可选的，根据所述目标图像的空间尺度，获得所述目标图像的第一时间序列矩阵，包括：

根据脑谱图对所述目标图像进行分割处理，获得所述目标图像的n个脑区图；

根据每一个所述脑区图的每一帧图像的空间尺度均值，获得所述目标图像的初始时间序列矩阵；

对所述初始时间序列矩阵进行标准化处理，获得所述目标图像的第一时间序列矩阵R^n×t，其中n为正整数，t为所述目标图像的帧数。