[发明专利]一种结合卷积神经网络和梯度提升树的图像识别方法

摘要

本发明公开了一种结合卷积神经网络和梯度提升树的图像识别方法，属于机械学习技术领域。该方法根据输入图像尺寸大小获取一组图像补丁，与原图像一同作为输入数据，采用5个分支，每个分支采用改进后的VGG‑19模型对输入图像进行特征提取，然后将提取的特征输入到梯度提升树中进行训练，得到一个基本分类器，使用加权投票法将基本分类器组合为强分类器用于对输入图像进行分类。本方法通过对医学图像的识别证明，能够精确、快速的对输入医学图像进行分类，辅助医生诊断疾病，提高诊断效率，从而有效减少误诊率。

主权项

1.一种结合卷积神经网络和梯度提升树的图像识别方法，其特征在于，包括如下步骤：步骤1，生成输入图像的图像补丁：根据输入图像长和宽的中心值将输入图像均匀的分为4张图像作为输入图像的图像补丁；步骤2，输入图像的样本扩充和数据预处理：对原始图像和生成的图像补丁进行样本扩充，对扩充后的图像数据进行预处理，将图像和对应标签组合，根据图像样本的数量分为一定大小的批次作为卷积神经网络模型的输入数据；步骤3，训练卷积神经网络模型：采用五个分支，原图像和每一个补丁图像分别对应一个分支作为输入的数据，每个分支中采用改进后的VGG‑19模型，所述的VGG‑19模型是在2014年ILSVRC挑战赛上使用的模型，使用类感知损失函数对所述模型进行训练；所述改进后的VGG‑19模型为：使用迁移学习的方法利用已经训练好的VGG‑19模型的结构、权重及偏值参数，将所述模型的倒数第二层压缩为一维向量，用2048个神经元组成的全连接层替换最后一层卷积层；所述类感知损失函数的设计为：使用图像特征之间的欧式距离作为两个图像相似性度量的方法，提出一种新的类感知损失函数，给损失函数加上类间相似性的罚值，所述类间相似性为：提取图像的特征与该图像所属类别的特征中心间欧氏距离与提取图像的特征与该图像不所属其他类别的所有图像的特征中心间欧式距离的差值；所述特征中心为：类别中已被正确分类的所有图像特征的平均值；所述罚值为一个(0，1)间的数值，罚值的最佳数值可以通过交叉验证的方法确定；当一个样本数据得到正确分类后，更新该类别的特征中心；步骤4，图像特征提取：将经过图像样本扩充和数据预处理后的图像数据输入到训练好的VGG‑19模型中，每张输入图像经过训练后模型的计算能够提取2048个该图像的特征；步骤5，训练梯度提升树模型：采用五个梯度提升树模型，每一个梯度提升树模型对应一个改进后的VGG‑19模型，所述模型提取的图像特征结合图像对应分类标签作为梯度提升树模型的输入数据对梯度提升树模型进行训练，从而得到五个基本分类器；步骤6，组合为强分类器：五个基本分类器基于加权投票法进行线性组合，形成一个强分类器；步骤7，图像识别：对于给定任意一副待识别图像，会形成相应的图像补丁与原图像一同作为输入数据分别输入到每个分支中，经过两个模型的计算，并利用所述加权投票法合并5个分支的结果获取最终图像分类的结果。