图像识别方法及系统技术方案

本发明专利技术提供一种图像识别方法及系统，方法包括：根据目标图像与公共数据集中的各图像之间的相似度，确定各图像中与所述目标图像相似的第一图像，所述目标图像是基于联邦学习对原始图像进行处理后得到的；将所述第一图像输入至目标GAN，输出对所述第一图像的识别结果，目标GAN是基于所述公共数据集对GAN进行训练后得到的。所述系统执行所述方法。本发明专利技术基于训练好的目标GAN输出对利用联邦学习对原始图像处理后的目标图像相似的第一图像的识别结果，基于该识别结果与原始图像进行比较，能够实现对原始图像的还原度检测，相较于现有技术采用神经网络向量、协同机制等方法进行联邦学习的图像还原度检测，实现简单，准确率高。准确率高。准确率高。

【技术实现步骤摘要】
图像识别方法及系统


[0001]本专利技术涉及图像处理
，尤其涉及一种图像识别方法及系统。

技术介绍

[0002]医疗行业推动数字化转型，大量医疗数据形成有序化积累，但难以获取数据是各医疗机构临床研究的一大难题。一方面，医疗数据涉及病患的隐私信息；另一方面，单一医疗机构累计的样本量有限，不足以支撑现代医学的循证科研。而联邦学习可以安全的利用和开发数据资源，可实现在数据保护下的医学数据安全统计分析和医学模拟仿真和预判，将为临床诊疗、药物研发、卫生监测、公众健康等带来创造性变化，持续地挖掘并释放数据价值。
[0003]现有技术中主要采用区块链结合联邦学习和联邦学习融合等方法(例如利用神经网络向量、协同机制等方法)进行联邦学习中医学图像的重建及还原度检测，区块链结合联邦学习方法需要联邦学习与区块链融合，实现起来较为复杂，联邦学习融合的图像还原度检测方法，准确率低。

技术实现思路

[0004]本专利技术提供的图像识别方法及系统，用于解决现有技术中存在的进行联邦学习的图像还原度检测实现复杂，准确率低的问题，能够提高对原始图像的还原度检测的准确率，降低联邦学习的图像还原度检测的实现复杂度。
[0005]本专利技术提供的一种图像识别方法，包括：
[0006]根据目标图像与公共数据集中的各图像之间的相似度，确定各图像中与所述目标图像相似的第一图像，所述目标图像是基于联邦学习对原始图像进行处理后得到的；
[0007]将所述第一图像输入至目标生成式对抗网络GAN，输出对所述第一图像的识别结果，目标GAN是基于所述公共数据集对GAN进行训练后得到的。
[0008]根据本专利技术提供的一种图像识别方法，所述根据目标图像与公共数据集中的各图像之间的相似度，确定各图像中与所述目标图像相似的第一图像，包括：
[0009]获取各图像中与所述目标图像之间的相似度最大的第二图像；
[0010]根据所述第二图像，获取所述第一图像。
[0011]根据本专利技术提供的一种图像识别方法，所述根据所述第二图像，获取所述第一图像，包括：
[0012]在所述联邦学习使用的函数为线性函数的情况下，将所述第二图像作为所述第一图像；
[0013]在所述联邦学习使用的函数为非线性函数的情况下，基于无梯度优化算法对所述第二图像进行优化，并将优化后的第二图像作为所述第一图像。
[0014]根据本专利技术提供的一种图像识别方法，在所述联邦学习使用的函数为非线性函数的情况下，所述基于无梯度优化算法对所述第二图像进行优化，并将优化后的第二图像作
为所述第一图像，包括：
[0015]基于贝叶斯优化算法和/或协方差矩阵自适应算法对所述第二图像进行优化，并将优化后的第二图像作为所述第一图像。
[0016]根据本专利技术提供的一种图像识别方法，所述目标图像的获取方法，包括：
[0017]基于所述联邦学习对所述原始图像进行处理，得到第三图像；
[0018]对所述第三图像进行分块，得到第四图像；
[0019]对所述第四图像进行标签修复，得到第五图像；
[0020]基于种子优化算法对所述第五图像进行优化，得到所述目标图像。
[0021]根据本专利技术提供的一种图像识别方法，所述基于种子优化算法对所述第五图像进行优化，得到所述目标图像，包括：
[0022]基于全局最优性优化算法和粒子群算法对所述第五图像进行优化，得到所述目标图像。
[0023]本专利技术还提供一种图像识别系统，包括：数据获取模块以及图像识别模块；
[0024]所述数据获取模块，根据目标图像与公共数据集中的各图像之间的相似度，确定各图像中与所述目标图像相似的第一图像，所述目标图像是基于联邦学习对原始图像进行处理后得到的；
[0025]所述图像识别模块，用于将所述第一图像输入至目标生成式对抗网络GAN，输出对所述第一图像的识别结果，目标GAN是基于所述公共数据集对GAN进行训练后得到的。
[0026]本专利技术还提供一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述程序时实现如上述任一种所述图像识别方法。
[0027]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述图像识别方法。
[0028]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述图像识别方法。
[0029]本专利技术提供的图像识别方法及系统，利用公共数据集训练GAN，并基于训练好的目标GAN输出对利用联邦学习对原始图像处理后的目标图像相似的第一图像的识别结果，基于该识别结果与原始图像进行比较，能够实现对原始图像的还原度检测，相较于现有技术采用神经网络向量进行联邦学习的图像还原度检测方法，提高了对进行联邦学习的图像的还原度检测的准确率，相较于现有技术采用协同机制进行联邦学习的图像还原度检测方法，降低了进行联邦学习的图像还原度检测的复杂度。
附图说明
[0030]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0031]图1是本专利技术提供的图像识别方法的流程示意图之一；
[0032]图2是本专利技术提供的肺部图像分块后的示意图；
[0033]图3是本专利技术提供的图像识别方法的流程示意图之二；
[0034]图4是本专利技术提供的图像识别系统的结构示意图；
[0035]图5是本专利技术提供的电子设备的实体结构示意图。
具体实施方式
[0036]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0037]图1是本专利技术提供的图像识别方法的流程示意图之一，如图1所示，方法包括：
[0038]步骤110，根据目标图像与公共数据集中的各图像之间的相似度，确定各图像中与所述目标图像相似的第一图像，所述目标图像是基于联邦学习对原始图像进行处理后得到的；
[0039]步骤120，将所述第一图像输入至目标生成式对抗网络(Generative Adversarial Network，GAN)，输出对所述第一图像的识别结果，目标GAN是基于所述公共数据集对GAN进行训练后得到的。
[0040]需要说明的是，上述方法的执行主体可以是计算机设备。
[0041]可选地，该目标图像可以具体指利用联邦学习对原始图像进行处理后得到的图像，该原始图像可以具体为病患的医学图像，更具体可以为病患的肺部图像、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像识别方法，其特征在于，包括：根据目标图像与公共数据集中的各图像之间的相似度，确定各图像中与所述目标图像相似的第一图像，所述目标图像是基于联邦学习对原始图像进行处理后得到的；将所述第一图像输入至目标生成式对抗网络GAN，输出对所述第一图像的识别结果，目标GAN是基于所述公共数据集对GAN进行训练后得到的。2.根据权利要求1所述的图像识别方法，其特征在于，所述根据目标图像与公共数据集中的各图像之间的相似度，确定各图像中与所述目标图像相似的第一图像，包括：获取各图像中与所述目标图像之间的相似度最大的第二图像；根据所述第二图像，获取所述第一图像。3.根据权利要求2所述的图像识别方法，其特征在于，所述根据所述第二图像，获取所述第一图像，包括：在所述联邦学习使用的函数为线性函数的情况下，将所述第二图像作为所述第一图像；在所述联邦学习使用的函数为非线性函数的情况下，基于无梯度优化算法对所述第二图像进行优化，并将优化后的第二图像作为所述第一图像。4.根据权利要求3所述的图像识别方法，其特征在于，在所述联邦学习使用的函数为非线性函数的情况下，所述基于无梯度优化算法对所述第二图像进行优化，并将优化后的第二图像作为所述第一图像，包括：基于贝叶斯优化算法和/或协方差矩阵自适应算法对所述第二图像进行优化，并将优化后的第二图像作为所述第一图像。5.根据权利要求1
‑
4任一项所述的图像识别方法，其特征在于，...

【专利技术属性】
技术研发人员：尹芳，邓小宁，金剑，马杰，袁园，
申请(专利权)人：北方健康医疗大数据科技有限公司，
类型：发明
国别省市：