目标对象的识别方法和装置制造方法及图纸

本发明专利技术公开了一种目标对象的识别方法和装置。其中，该方法包括：获取包含目标对象的第一图像；利用U形全卷积神经网络模型对第一图像进行图像分割，得到目标对象的边界，其中，U形全卷积神经网络模型采用水平集损失函数。本发明专利技术解决了现有技术中目标对象的识别准确率较低，且可重复性较差的技术问题。

【技术实现步骤摘要】
目标对象的识别方法和装置
本专利技术涉及图像识别领域，具体而言，涉及一种目标对象的识别方法和装置。
技术介绍
在医疗领域的图像识别中，前段光学相干断层扫描(Anteriorsegmentopticalcoherencetomography，AS-OCT)用来辅助诊断许多眼科疾病，例如角膜疾病、白内障和青光眼等，是一种非侵入式无伤害的拍摄方式。晶状体，是眼球的主要屈光结构，当晶状体出现浑浊现象时(密度增加)，会引起视力障碍，导致白内障产生。晶状体密度是衡量白内障等疾病严重程度的重要指标，晶状体是一个多层的结构，从外到里可大致分为：角膜层、皮质层和核。目前基于AS-OCT影像的晶状体结构分割大多都是手动进行，并且具有可重复性差，人工成本较高等缺陷。AS-OCT图像中晶状体结构边界之间模糊，导致全自动分割困难，尤其是核(nucleus)和皮质(cortex)的边界。而且，在白内障患者眼中拍摄的AS-OCT图像，边界会变得更加模糊。针对现有技术中目标对象的识别准确率较低，且可重复性较差的问题，目前尚未提出有效的解决方案。
技术实现思路
本专利技术实施例提供了一种目标对象的识别方法和装置，以至少解本文档来自技高网...

【技术保护点】
1.一种目标对象的识别方法，其特征在于，包括：获取包含目标对象的第一图像；利用U形全卷积神经网络模型对所述第一图像进行图像分割，得到所述目标对象的边界，其中，所述U形全卷积神经网络模型采用水平集损失函数。

【技术特征摘要】
1.一种目标对象的识别方法，其特征在于，包括：获取包含目标对象的第一图像；利用U形全卷积神经网络模型对所述第一图像进行图像分割，得到所述目标对象的边界，其中，所述U形全卷积神经网络模型采用水平集损失函数。2.根据权利要求1所述的方法，其特征在于，所述U形全卷积神经网络模型包括：编码模型和解码模型，所述编码模型包括：多个第一网络块，所述第一网络块包括：依次连接的至少两个第一卷积层，所述第一卷积层采用修正线性单元激活函数和池化操作，所述第一网络块中的最后一个第一卷积层与下一个第一网络块中的第一个第一卷积层连接；所述解码模型包括：多个第二网络块和输出层，所述第一网络块和所述第二网络块的数量相同，所述第二网络块包括：依次连接的级联层和至少两个第二卷积层，所述级联层与对应的第一网络块和上一个第二网络块中的最后一个第二卷积层连接，所述级联层与所述对应的第一网络块采用复制和合并的跳跃连接方式连接，所述输出层与最后一个第二网络块中的最后一个第二的旁侧输出层连接，所述输出层采用所述水平集损失函数。3.根据权利要求2所述的方法，其特征在于，所述池化操作包括如下之一：最大池化操作和均值池化操作。4.根据权利要求2所述的方法，其特征在于，所述水平集损失函数通过如下方式确定：确定输入至所述输出层的结果为第一水平集，并确定所述输出层输出的结果为第二水平集；获取所述第一水平集的形状和所述第二水平集的形状；基于所述第一水平集的形状和所述第二水平集的状态，得到所述水平集损失函数。5.根据权利要求4所述的方法，其特征在于，获取所述第一水平集的形状，包括：获取所述第一水平集的第一函数值，以及所述第一图像的真值水平集的第二函数值；基于所述第一函数值和所述第二函数值，得到所述第一水平集的形状。6.根据权利要求5所述的方法，其特征在于，基于所述第一函数值和所述第二函数值，得到所述第一水平集的形状，包括：获取所述第二函数值和所述第一函数值之差，得到差值；获取所述差值的绝对值，得到绝对值；获取所述绝对值的平方，得到平方值；获取所述平方值的积分，得到所述第一水平集的形状。7.根据权利要求5所述的方法，其特征在于，在获取真值水平集的第二函数值之后，所述方法还包括：基于水平集转换函数对所述第二函数值进行处理，得到处理后的第二函数值；对所述处理后的第二函数值进行归一化处理，得到归一化函数值；基于所述第一函数值和所述归一化函数值，得到所述第一水平集的形状。8.根据权利要求4所述的方法，其特征在于，获取所述第二水平集的形状，包括：获取输入至所述输...

【专利技术属性】
技术研发人员：童云飞，
申请(专利权)人：广州视源电子科技股份有限公司，
类型：发明
国别省市：广东,44