[发明专利]基于多示例多标签学习的皮肤病理图片特征识别方法

权利要求书

1.一种基于多示例多标签学习的皮肤病理图片特征识别方法，其特征在于包括如下步骤： 

1）图像预处理； 

2）区域特征提取； 

3）建立多示例多标签学习的皮肤病理图像识别模型。 

2.根据权利要求1所述的基于多示例多标签学习的皮肤病理图片特征识别方法，其特征在于上述图像预处理是把图片划分为视觉上不重叠的若干部分，再对每个区域进行区域特征提取，从而把一个病理图像表示为一个多示例样本。 

3.根据权利要求1所述的基于多示例多标签学习的皮肤病理图片特征识别方法，其特征在于上述区域特征提取是基于二维小波变换的区域特征提取，基于二维小波变换的区域特征提取的步骤如下： 

1)对于一幅皮肤病理图像，把图像划分成小格，其中每个小格的大小为4*4个像素，把全黑的小格删除,即把颜色值全为FF的小格删除； 

2）对剩下的每一个小格的所有像素进行颜色空间的变换，从原先的RGB空间变换到LUV空间； 

3）对一个区域的所有小格的L、U、V值求平均，得到特征f₁； 

4）对每一个剩下的由LUV空间表示的小格，进行二维小波变换； 

5）取变换后除低频外的三组特征值，计算每组特征值的第二范数，把一个区域的所有小格的这三组特征取平均值，得到特征f₂； 

6）计算每一个小格的1、2、3阶归一化图像度量，然后全区域的所有小格取平均，得到特征f₃； 

通过上述过程，每个图像区域转化为一组特征(f₁,f₂,f₃)，即一个9维的特征向量； 

该特征提取方法的基本思路是同时提取每个区域的颜色特征、纹理特征和形状特征，在算法中，f₁是基于LUV颜色空间的颜色特征向量，f₂是经过2维小波变换的区域平均特征向量，反映了其纹理特征，f₃是1、2、3阶归一化图像度量，反映了区域的形状特征，三者加起来能充分全面的描述皮肤病理图像。 

4.根据权利要求1所述的基于多示例多标签学习的皮肤病理图片特征识别方法，其特征在于上述建立多示例多标签学习的皮肤病理图像识别模型的方法如下： 

1)定义隐变量F＝(F₁，F₂，…，F_q)，其中q为整个系统中要考虑的特征数目，F_i的取值范围是[-1，+1]数值越小表示该区域不包含第i个特征的可能性越大，反之表示区域包含第i个特征的可能性越大； 

2)通过训练数据集D_train，使用高斯过程求出F的先验分布P(F)，在本发明中，使用径向基函数作为协方差矩阵的生成函数； 

3)计算联合似然函数，其中P(feature_iq|F_q)为第i个示例具有特征q的概率；使用逻辑回归作为P(feature_iq|F_q)的密度估计函数，在多示例学习的基本假设下进行概率密度P(Features|F_q)的估计 

4)计算后验概率：隐变量F相对于训练数据集D_train的条件概率密度 

由于P(Features|F，D_train)不是高斯分布，因此本发明采用拉普拉斯近似用一个高斯分布进行近似，在P(Features|F，D_train)的最大概率处通过一个高斯近似原分布，要计算驻点和二阶偏导数矩阵在驻点处的取值；分母∫P(F)P(Features|F，D_train)dF为一个与变量F无关的数，可以看作一个标准化常数不参加后面的计算，本发明通过迭代的方式求出该常数的近似值； 

5)计算预测分布：即求新观察到的病理图像X^*的包含特征Y^*的条件概率； 

P(Y^*|X^*，D_train)＝∫P(F^*|D_train，F，X^*)P(Y^*|F^*)dF 

即通过后验概率与似然函数的乘积的积分，作为预测概率，则第(5)步可以直接给出某皮肤病理图像具有某一组特征的概率，P(Y^*|F^*)不是高斯分布，使用拉普拉斯方法用一个高斯近似该分布，然后直接使用两个高斯的卷积求解。