一种基于快速全卷积网络的医学高光谱影像分类方法技术

本发明专利技术公开了一种基于快速全卷积网络的医学高光谱影像分类方法，属于医学高光谱影像技术领域，包括：对医学高光谱图像进行预处理并采样，得到训练样本集；将训练样本集输入至基于编码器

【技术实现步骤摘要】
一种基于快速全卷积网络的医学高光谱影像分类方法


[0001]本专利技术涉及医学高光谱影像
，具体涉及一种基于快速全卷积网络的医学高光谱影像分类方法。

技术介绍

[0002]高光谱影像（Hyperspectral Image，HSI）与传统的彩色数字影像相比具有更高的光谱分辨率，通常含有数十上百个波段。丰富的光谱信息可以为目标的精确识别提供依据。所以它在遥感领域方面应用非常的广泛。随着科技的进步，光谱成像的优势已经被应用于各个领域。例如，考古壁画保护、物证鉴定和食品无损检测等。其中随着医学光谱成像技术的持续发展，医疗健康成为了HSI增长最快的应用领域。对于医学应用来说，医学高光谱影像（Medical Hyperspectral Image，MHSI）不仅能够提供各组织结构的二维空间分布信息，而且可以获得生物组织样本上某一点在感兴趣波长范围的完整光谱，对不同病理组织的化学组成和物理特征进行分析。所以，MHSI快速准确地分类使非侵入性的疾病诊断和临床治疗应用成为可能。
[0003]MHSI分类是根据影像的特征为像素分配一个语义标签。早期本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于快速全卷积网络的医学高光谱影像分类方法，其特征在于，包括：对医学高光谱图像进行预处理并采样，得到训练样本集；将所述训练样本集输入至基于编码器
‑
解码器的全卷积网络，完成对所述医学高光谱图像的训练；将所述医学高光谱图像中的待分类像素输入至训练后的所述基于编码器
‑
解码器的全卷积网络，得到分类结果。2.根据权利要求1所述的基于快速全卷积网络的医学高光谱影像分类方法，其特征在于，还包括：对所述医学高光谱图像进行测试样本采样；通过所述测试样本对所述分类结果进行分类精度评定。3.根据权利要求1所述的基于快速全卷积网络的医学高光谱影像分类方法，其特征在于，对医学高光谱图像进行预处理并采样，得到训练样本集，包括：通过二维奇异谱分析法对所述医学高光谱图像进行去噪处理。4.根据权利要求1所述的基于快速全卷积网络的医学高光谱影像分类方法，其特征在于，将所述训练样本集输入至基于编码器
‑
解码器的全卷积网络，完成对所述医学高光谱图像的训练，包括：通过主干块将所述训练样本集转换为固定数量通道输出；通过第一混合块对所述训练样本集进行采样，得到若干第一特征值；对所述第一特征值进行一次一维卷积，得到第一一维卷积结果；对所述第一一维卷积结果进行一次二维卷积，得到第一二维卷积结果；通过第二混合块对所述第一二维卷积结果进行采样，得到若干第二特征值；对所述第二特征值进行一次一维卷积，得到第二一维卷积结果；对所述第二一维卷积结果进行一次二维卷积，得到第二二维卷积结果；通过第三混合块对所述第二二维卷积结果进行采样，得到若干第三特征值；对所述第三特征值进行一次一维卷积，得到第三一维卷积结果；对所述第三一维卷积结果进行一次二维卷积，得到第三二维卷积结果；通过第四混合块对所述第三二维卷积结果进行一次一维卷积，得到第四一维卷积结果；对所述第四一维卷积结果进行一次二维卷积，得到第四二维卷积结果；对所述第一二维卷积结果、所述第二二维卷积结果、所述第三二维卷积结果和所述第四二维卷积结果通过解码器网络进行聚合，以恢复输入的所述训练样本集的空间细节；采用头子网络对通过所述解码器网络聚合得到的顶层特征进行像素分类，得到训练分类结果；对所述训练分类结果计算损失函数；根据所述损失函数，通过反向传播对所述基于编码器
‑
解码器的全卷积网络进行权重更新；其中，所述第一混合块、所述第二混合块、所述第三混合块和所述第四混合块通过卷积注意力模块进行卷积计算。5.根据权利要求4所述的基于快速全卷积网络的医学高光谱影像分类方法，其特征在于，还包括：
通过基于横向连接的语义
‑
空间融合的第一卷积层，将所述解码器网络的第一细化模块与所述第四混合块进行连接，用于将所述第四卷积结果传递至所述编码器网络；通过基于横向连接的语义
‑
空...

【专利技术属性】
技术研发人员：马晓鹏，张申申，张成龙，杨晓丽，于德新，
申请(专利权)人：山东大学，
类型：发明
国别省市：