一种基于神经网络的射线图像分类方法技术
【技术实现步骤摘要】
一种基于神经网络的射线图像分类方法
本专利技术属于射线图像分类
，涉及一种基于神经网络的射线图像分类方法。
技术介绍
随着多媒体技术与计算机网络的广泛应用，数据的保存、传输变得更加便捷。在安检工作中会产生大量的射线图像数据，尤其是基于X射线的安检机在车站、码头、机场、展览会馆等场所广泛应用。其中，X射线透视技术采用基于双能曲线的材料识别方法，能够快速准确地计算被透视物体的密度或者原子序数，并且在此基础上实现材料的定性和定量评价。将得到的有效原子序数根据物质材料分类表对X射线图像进行渲染生成彩色X射线图像，使其具有更加鲜明显著的颜色特征信息和更直观的视觉观感。同时，X射线图像的空间分辨率是固定的，通过X射线安检机可以识别被检物体的几何尺寸，而不会像普通灰度图像随着景深的变化出现尺寸的改变。基于上述X射线在呈像领域的诸多优点，能否有效的管理、利用这些射线图像文件，为用户提供更好的体验服务变得越来越重要。目前，对射线图像的管理与分类通常是通过基于轮廓、大小、灰阶、所处环境等苛刻特征进行特征匹配，从而实现对射线图像进行分类。然而，由于现有分类方法对于所基于的特征条件...
【技术保护点】
一种基于神经网络的射线图像分类方法，其特征在于，包括如下步骤：(1)获取射线图像的训练样本并建立卷积神经网络模型，其中，不同类别的训练样本分别对应一个类别标识；(2)对步骤(1)中的卷积神经网络模型的参数进行调整；(3)将步骤(1)中的训练样本进行图形学预处理后，输入到步骤(2)中调整后的卷积神经网络模型，通过卷积神经网络模型的卷积层获取各个训练样本分别在卷积神经网络模型的全连接层对应的特征信息，所述特征信息包括训练样本的轮廓形状特征和细节纹理特征；(4)提取步骤(1)中各个训练样本分别对应的先验特征信息，所述先验特征信息包括图像的尺寸大小和材料颜色表征特征信息；(5)将所...
【技术特征摘要】
1.一种基于神经网络的射线图像分类方法，其特征在于，包括如下步骤：(1)获取射线图像的训练样本并建立卷积神经网络模型，其中，不同类别的训练样本分别对应一个类别标识；(2)对步骤(1)中的卷积神经网络模型的参数进行调整；(3)将步骤(1)中的训练样本进行图形学预处理后，输入到步骤(2)中调整后的卷积神经网络模型，通过卷积神经网络模型的卷积层获取各个训练样本分别在卷积神经网络模型的全连接层对应的特征信息，所述特征信息包括训练样本的轮廓形状特征和细节纹理特征；(4)提取步骤(1)中各个训练样本分别对应的先验特征信息，所述先验特征信息包括图像的尺寸大小和材料颜色表征特征信息；(5)将所述步骤(4)中的先验特征信息和步骤(3)中卷积神经网络模型的全连接层对应的特征信息进行全连接，并在所述全连接层保存与所述先验特征信息对应的训练样本的类别标识后，生成射线图像分类模型；(6)将待分类图像输入到步骤(5)中的所述射线图像分类模型中，得到所述待分类图片的类别信息。2.根据权利要求1所述的一种基于神经网络的射线图像分类方法，其特征在于，所述步骤(2)中对卷积神经网络模型的参数进行调整的方法为：根据公式和εi+1＝εi*(1-μ)对卷积神经网络模型的参数进行调整，其中，v是卷积神经网络模型中每一层的更新值，v1为符合正态分布的随机初始化值，w1为符合正态分布的随机初始化值，i是迭代次数，i为大于或等于1的正整数，w是卷积神经网络模型中每一层的权重，ε是卷积神经网络模型的学习率，ε1为0.001，是对权重求偏导，μ为学习率变化的动量。3.根据权利要求1所述的一种基于神经网络的射线图像分类方法，其特征在于，所述步骤(3)中将训练样本进行图形学预处理的方法为：对所述训练样本进行去均值处理后，进行白化处理，其中，去均值处理的公式为白化处理的公式为Xj为训练样本，X'j为去均值处理后的训练样本，std(X'j)为标准差，X"j为图形学预处理后的训练样本，n为训练样本的总个数。4.根据权利要求1所述的一种基于神经网络的射线图像分类方法，其特征在于，所述步骤(6)之后还包括：根据步骤(1)中...
【专利技术属性】
技术研发人员：何竞择，徐圆飞，张文杰，
申请(专利权)人：北京航星机器制造有限公司，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。