对类镜像图像分类的方法及装置制造方法及图纸

本发明专利技术公开了一种对类镜像图像分类的方法及装置，其中，该方法包括：对一定量的类镜像图像的第一对象进行标注，并将标注好的类镜像图像输入深度学习检测模型，训练卷积神经网络，学习第一对象的特征，当训练过程收敛后，得到的深度学习检测模型将具备能够准确定位出第一目标在输入新的类镜像照片中的所在位置。再根据第一对象在类镜像图像中的位置的属性将目标图像分类，相比人工分类，高效、准确。可以保证分析结果失真较小。

Method and device for classification of mirror like images

The invention discloses a method and device of mirror image classification, this method includes: first class mirror image for a certain amount of annotation, and marked a good type of mirror image input deep learning detection model, training convolutional neural network, learning characteristics of the first object, when the training process convergence after the deep learning detection model will have to accurately locate the first goal in the new class photo image input location. Then, the target image is classified according to the position of the first object in the class mirror image, which is more efficient and accurate than the manual classification. It can ensure the analysis result is less distortion.

【技术实现步骤摘要】

本专利技术涉及图像分类领域，具体涉及一种对的对类镜像图像分类的方法及装置。
技术介绍
类镜像图像由于相似度比较高，在整理图像时，区分图像的类别的过程经常发生错误，例如，眼底图像为类镜像图像，计算机处理眼底图像时，由于左右眼病征的关联性，经常出现需要双眼多张图像同时分析。当采样率需求较高时，一次检查通常需要单眼十几张至几十张的照片。然而，由于眼底图像的相似性，在整理图像时，区分左右眼的图片的过程经常发生错误。现在的眼底照相机通常分为三种规格，分别为200度，45度和20度眼底照相机。度数越低，眼底的细节信息越丰富，但随之而来的问题是视野变小。若想在不丢失细节信息的同时观察眼底大面积区域，需要在大面积区域上滑动拍摄。并且，由于眼底组织如黄斑，视盘，棉絮斑是连续的，我们采样时为了保证其组织的完整性，需要将连续拍摄的两张图之间保留一定的重叠，将拍摄的采样率提高。当我们希望从20度眼底照相机拍摄的图像还原出45度眼底照相机图像的视野时，我们通常需要将重叠部分设为50％以上，需要十张到二十张图像进行还原，若想还原出200度图像的视野则需要几十张甚至上百张图像，对大量眼底图像进行分组，是一件重复性强，耗费时间多的事情，给操作人员带来了困扰。判断眼底图像为左眼有眼通常是根据视盘在图像中的相对位置，当视盘在图像的左侧时明当前图像为左眼眼底图像，反之当视盘在图像右侧时，说明当前图像为右眼图像。当人们上传照片至图像处理系统时，现在的图像分析系统通常为让人们手动的将需分析的眼底图像分为左眼右眼分别上传。这样带来的风险是当采样率提高，比较容易将图像的组别分错，造成分析结果的失真。
技术实现思路
本专利技术需要解决的问题是如何对大量类镜像图像进行较为精确的分类。有鉴于此，根据第一方面，本专利技术实施例提供了一种对类镜像图像分类的方法，可以包括如下步骤：对多张类镜像图像的第一对象分别进行区域标注，得到多个标注区域的位置；使用深度卷机神经网络学习标注区域的第一特征信息，得到深度学习模型，深度学习模型包括：深度学习检测、深度学习分类或深度学习分割模型中的任意一种，第一特征信息为第一对象的特征信息；根据深度学习模型判断类镜像图像中是否存在第一对象；如果类镜像图像中存在第一对象，则根据深度学习模型得到第一对象的位置；基于第一对象的位置确定当前第一对象在类镜像图像中的相对位置；根据第一对象在类镜像图像中位置的属性和当前第一对象在类镜像图像中的相对位置确定类镜像图像的类别。可选地，如果类镜像图像中不存在第一对象，则基于模糊变换识别第二对象的第二特征信息；根据第二特征信息在类镜像图像中的属性确定类镜像图像的类别。可选地，类镜像图像为左右眼底图像；第一对象为视盘，第一特征信息为视盘颜色和/或视盘纹理；第二对象为血管，第二特征为血管弯曲方向。可选地，根据深度学习模型判断类镜像图像中是否存在第一对象包括：将类镜像图像分为多个检测区域；判断检测区域的确信度是否大于确信度阈值，确信度为检测区域中的第一特征信息与标注区域的第一特征信息的相似度；如果检测区域的确信度大于确信度阈值，则确认检测区域内存在第一对象。可选地，根据深度学习模型得到第一对象的位置包括：根据深度学习模型的结果得到包含第一对象的检测区域的坐标。可选地，在确定类镜像图像的类别之后还包括：从确定类别的类镜像图像中选择至少一张类镜像图像作为模板，验证对应类别的其他类镜像图像。可选地，从确定类别的类镜像图像中选择至少一张类镜像图像作为模板验证对应类别的其他类镜像图像包括：从确定类别的类镜像图像中选择至少一张类镜像图像；在当前类镜像图像的至少一个预设位置对应选择预设面积的区域作为模板；利用模板对当前类别所有未检测出第一对象的类镜像图像分别进行扫描；判断扫描过程中模板对应的区域的相似度是否大于预设相似度；如果扫描过程中模板对应的区域的相似度小于预设相似度，则确认被扫描的类镜像图像为当前类别。可选地，如果扫描过程中模板对应的区域的相似度均小于预设相似度，则剔除当前扫描的类镜像图像。根据第二方面，本专利技术实施例提供了一种对类镜像图像分类的装置，包括：标注单元，用于对多类镜像图像的第一对象分别进行区域标注，得到多个标注区域的位置；训练单元，使用深度卷机神经网络学习标注区域的第一特征信息，得到深度学习模型，深度学习模型包括：深度学习检测、深度学习分类或深度学习分割模型中的任意一种，第一特征信息为第一对象的特征信息；判断单元，用于根据深度学习模型判断类镜像图像中是否存在第一对象；确认单元，用于在判断单元判断出类镜像图像中存在第一对象后，根据深度学习模型得到第一对象的位置；相对位置确认单元，用于基于第一对象的位置确定当前第一对象在类镜像图像中的相对位置；第一类别确认单元，用于根据第一对象在类镜像图像中位置的属性和当前第一对象在类镜像图像中的相对位置确定类镜像图像的类别。可选地，识别单元，用于在判断单元判断出类镜像图像中不存在第一对象后，基于模糊变换识别第二对象的第二特征信息；第二类别确认单元，用于根据第二特征信息在左右眼中的属性确定类镜像图像的类别。可选地，类镜像图像为左右眼底图像；第一对象为视盘，第一特征信息为视盘颜色和/或视盘纹理；第二对象为血管，第二特征为血管弯曲方向。可选地，判断单元包括：划分子单元，用于将类镜像图像分为多个检测区域；第一判断子单元，用于判断检测区域的确信度是否大于确信度阈值，确信度为检测区域中的第一特征信息与标注区域的第一特征信息的相似度；确认子单元，用于在第一判断子单元判断出检测区域的确信度大于确信度阈值后，确认检测区域内存在第一对象。可选地，确认单元包括：坐标检测子单元，用于根据深度学习模型的结果得到包含第一对象的检测区域的坐标。可选地，验证单元，用于从确定类别的目标眼底图像中选择至少一张目标眼底图像作为模板验证对应类别的其他目标眼底图像。可选地，验证单元包括：第一选择子单元，用于从确定类别的类镜像图像中选择至少一张目标眼底图；第二选择子单元，用于在当前类镜像图像的至少一个预设位置对应选择预设面积的区域作为模板；扫描子单元，用于利用模板对当前类别所有未检测出第一对象的类镜像图像分别进行扫描；第二判断子单元，用于判断扫描过程中模板对应的区域的相似度是否大于预设相似度；类别确认子单元，用于在第二判断子单元判断出相似度大于预设相似度，确认被扫描的类镜像图像为当前类别。可选地，验证单元还包括：剔除子单元，在第二判断子单元判断出相似度均小于预设值，剔除当前扫描的类镜像图像。本专利技术实施例提供的类镜像图像分类方法及装置，对一定量的类镜像图像的第一对象进行标注，利用第一对象的特征对深度学习模型进行训练，训练完成后，在目标图像输入后，利用训练结果识别并标注第一特征的位置，在根据第一对象在类镜像图像中的位置的属性将目标图像分类，相比人工分类，高效、准确。可以保证分析结果失真较小。附图说明通过参考附图会更加清楚的理解本专利技术的特征和优点，附图是示意性的而不应理解为对本专利技术进行任何限制，在附图中：图1示出了本专利技术实施例的类镜像图像分类方法的流程示意图；图2示出了本专利技术实施例的确定类镜像图像中第一对象位置的流程示意图；图3示出了本专利技术另一实施例的类镜像图像分类方法的流程示意图；图4示出了本专利技术实施例的类镜像图本文档来自技高网...

【技术保护点】
一种对类镜像图像分类的方法，其特征在于，包括：对所述多张类镜像图像的第一对象分别进行区域标注，得到多个标注区域的位置；使用深度卷机神经网络学习所述标注区域的第一特征信息，得到深度学习模型，所述深度学习模型包括：深度学习检测、深度学习分类或深度学习分割模型中的任意一种，所述第一特征信息为所述第一对象的特征信息；根据所述深度学习模型判断类镜像图像中是否存在所述第一对象；如果所述类镜像图像中存在所述第一对象，则根据所述深度学习模型得到所述第一对象的位置；基于所述第一对象的位置确定当前第一对象在所述类镜像图像中的相对位置；根据所述第一对象在类镜像图像中位置的属性和所述当前第一对象在所述类镜像图像中的相对位置确定所述类镜像图像的类别。

【技术特征摘要】
1.一种对类镜像图像分类的方法，其特征在于，包括：对所述多张类镜像图像的第一对象分别进行区域标注，得到多个标注区域的位置；使用深度卷机神经网络学习所述标注区域的第一特征信息，得到深度学习模型，所述深度学习模型包括：深度学习检测、深度学习分类或深度学习分割模型中的任意一种，所述第一特征信息为所述第一对象的特征信息；根据所述深度学习模型判断类镜像图像中是否存在所述第一对象；如果所述类镜像图像中存在所述第一对象，则根据所述深度学习模型得到所述第一对象的位置；基于所述第一对象的位置确定当前第一对象在所述类镜像图像中的相对位置；根据所述第一对象在类镜像图像中位置的属性和所述当前第一对象在所述类镜像图像中的相对位置确定所述类镜像图像的类别。2.如权利要求1所述的对类镜像图像分类的方法，其特征在于，如果所述类镜像图像中不存在所述第一对象，则基于模糊变换识别第二对象的第二特征信息；根据第二特征信息在类镜像图像中的属性确定所述类镜像图像的类别。3.如权利要求1或2所述的对类镜像图像分类的方法，其特征在于，所述类镜像图像为左右眼底图像；所述第一对象为视盘，所述第一特征信息为视盘颜色和/或视盘纹理；所述第二对象为血管，所述第二特征为血管弯曲方向。4.如权利要求1或2所述的对类镜像图像分类的方法，其特征在于，所述根据所述深度学习模型判断类镜像图像中是否存在所述第一对象包括：将所述类镜像图像分为多个检测区域；判断所述检测区域的确信度是否大于确信度阈值，所述确信度为检测区域中的第一特征信息与所述标注区域的第一特征信息的相似度；如果所述检测区域的确信度大于所述确信度阈值，则确认所述检测区域内存在所述第一对象。5.如权利要求4所述的对类镜像图像分类的方法，其特征在于，所述根据深度学习模型得到所述第一对象的位置包括：根据所述深度学习模型的结果得到包含所述第一对象的检测区域的坐标。6.如权利要求1或2所述的对类镜像图像分类的方法，其特征在于，所述在确定所述类镜像图像的类别之后还包括：从确定类别的类镜像图像中选择至少一张类镜像图像作为模板，验证对应类别的其他类镜像图像。7.如权利要求6所述的对类镜像图像分类的方法，其特征在于，所述从确定类别的类镜像图像中选择至少一张类镜像图像作为模板验证对应类别的其他类镜像图像包括：从确定类别的类镜像图像中选择至少一张类镜像图像；在当前类镜像图像的至少一个预设位置对应选择预设面积的区域作为模板；利用所述模板对当前类别所有未检测出第一对象的类镜像图像分别进行扫描；判断扫描过程中所述模板对应的区域的相似度是否大于预设相似度；如果扫描过程中所述模板对应的区域的相似度大于所述预设相似度，则确认被扫描的所述类镜像图像为当前类别。8.如权利要求7所述的对类镜像图像分类的方法，其特征在于，如果扫描过程中所述模板对应的区域的相似度均小于所述预设相似度，则剔除当前扫描的所述类镜像图像。9.一种对类镜像图像分类的装置，其特征在于，包括：标注单元，用于对所述多类镜像图像的第一对象分别进行区域...

【专利技术属性】
技术研发人员：谷硕，史晓宇，郝瑞瑞，
申请(专利权)人：北京郁金香伙伴科技有限公司，
类型：发明
国别省市：北京;11