[发明专利]基于卷积复变换神经网络的舌苔图像特征提取方法和系统

说明书

本发明公开了一种基于卷积复变换神经网络的舌苔图像特征提取方法和系统，方法包括：构建卷积复变换神经网络，包括：卷积层和复数变换层；复数变换层由多个Wave‑CT模块和下采样层交替组成，Wave‑CT模块用于提取输入图像的空间特征以及对应通道的权重特征；将其转换为具有振幅和相位的波，根据复数变换原理，对特征聚合权重进行学习更新，并根据更新后的特征聚合权重以及提取的空间特征和权重特征，输出聚合后的特征；训练卷积复变换神经网络，并根据训练好的所述卷积复变换神经网络对舌苔图像进行特征提取。本发明公开的卷积复变换神经网络可提取图像的深层特征，并能克服样本分布不均的问题，使模型跳出局部最优。

技术领域

本发明涉及特征提取技术领域，更具体的说是涉及一种基于卷积复变换神经网络的舌苔图像特征提取方法和系统。

背景技术

舌与五脏六腑之间的相互关系早在中国古书《黄帝内经》中已有记载，人类的五脏六腑内脏器官的情况会表现在舌头的相关区域，中医临床诊断证明，通过观察人的舌头气色可以掌握人类的内脏器官情况，但很大程度上依赖中医专家的经验。

随着人工智能的发展，出现了诸多基于大数据的深度神经网络机器学习技术，但目前的学习技术均无法很好的识别舌苔图像的深层特征，导致后续无法根据舌苔图像的特征准确掌握人体内脏器官的情况，

而且对于舌苔图像，由于每个类别的样本分布不均，使得训练出的模型泛化能力欠佳，难以有效表达出图像数据的区分性特征，无法满足当前的需求。

因此，如何克服上述问题，在舌像样本分布不均的情况下得到具有较强泛化能力且能准确充分表达识别出图像数据的区分性特征的特征提取模型或网络，是本领域技术人员亟需解决的问题。

同时，应注意，公开于该背景技术部分的信息仅仅旨在加深对本发明总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。

发明内容

有鉴于此，本发明提供了一种基于卷积复变换神经网络的舌苔图像特征提取方法和系统，目的在于充分利用有限的舌苔图像，并在类别分布不均的情况下，准确提取其中隐含的深层特征。

为了实现上述目的，本发明采用如下技术方案：

一方面，本发明公开了一种基于卷积复变换神经网络的舌苔图像特征提取方法，包括，

构建卷积复变换神经网络，所述卷积复变换神经网络依次包括：卷积层、和复数变换层；

所述复数变换层由多个Wave-CT模块和下采样层交替组成，

所述Wave-CT模块用于提取输入图像的空间特征以及对应通道的权重特征；将所述空间特征和所述权重特征转换为具有振幅和相位的波，根据复数变换原理，对特征聚合权重进行学习更新，根据更新后的特征聚合权重以及提取的空间特征和权重特征，输出聚合后的特征；

训练所述卷积复变换神经网络，并利用训练好的所述卷积复变换神经网络对舌苔图像进行特征提取。

作为优选，所述Wave-CT模块包括PATM块，所述PATM块包括Channel-FC、Channel-MLP和Token-FC，其中，所述Channel-FC，用于从不同的维度提取输入图像的空间特征；所述Channel-MLP，用于提取不同通道的权重特征；所述Token-FC用于根据学习后的聚合权重对所述空间特征和所述权重特征进行聚合，得到聚合后的特征。。

作为优选，所述卷积层包括卷积层一，所述卷积层一包括多个卷积块，每个所述卷积块包括3×3卷积、归一化和ReLU激活函数。

作为优选，所述卷积层还包括卷积层二，所述卷积层二包括多个堆叠的Blocks块,和下采样层，所述Blocks块由两个1×1卷积层、归一化、ReLU激活函数和一个3×3卷积层、归一化和ReLU激活函数交替组成。