[发明专利]一种基于随机稀疏编码的大规模医学图像检索方法

说明书

技术领域

本发明涉及一种大规模医学图像检索方法。

背景技术

图像检索技术指的是从图像数据库中检索与输入图像相似的图像列表的技术。已有的技术包含三个主要分支：基于文本的图像检索技术、基于内容的图像检索技术、以及综合考虑文本和内容的技术。基于文本的技术的局限性表现在文本标注时的主观倾向和语义局限性。基于内容的检索技术是当前研究的主流技术，但是存在几点挑战：（1）对于不同细分领域的图像，没有普遍适用的方法；（2）特征选择是一个长期难以解决好的关键问题；（3）选择何种相似性度量方法；（4）针对海量图像大数据，图像检索系统是否能够快速响应。在这些问题中，最难以解决的是特征选择问题和相似性度量问题，也是长期受到关注的话题。综合考虑文本和内容的技术拥有了更多的信息量，但是对问题的解决程度依然存在提高的空间。

已有技术的缺陷在于进行特征选择时主要凭领域经验，如采用灰度直方图作为特征、采用纹理作为特征等等，相似性的度量方法一般也是凭经验，难以找到足够的理由，通用性差。

发明内容

为了克服已有医学图像检索方法的检索精度较低、速度较慢的不足,本发明通过运用“相对比较约束”和随机稀疏编码，提供了一种提高检索精度、提升检索速度的基于随机稀疏编码的大规模医学图像检索方法。

本发明解决其技术问题所采用的技术方案是：

一种基于随机稀疏编码的大规模医学图像检索方法，所述方法包括以下步骤：

步骤1：输入待检索图像；

步骤2：求解所有图像的随机稀疏编码；

对所有图像进行预处理，得到等大的灰度二维图像；

将每幅灰度二维图像的灰度值，看成一个列向量，用T表示一个d行n列的矩阵，其中每列表示一幅图像的所有像元的灰度值，其中n代表图像的总数。用B表达一个d行m列的基矩阵，每列表示一个基向量，每个基向量表达的是一幅随机选择的图像的所有像元的灰值；用C表达一个m行n列的编码系数矩阵，它是待求解的参量；随机稀疏表达希望最小化||T-BC||，在已知T和B的前提下求解C，并且要求矩阵C中的每列元素中绝大多数的值为0；

步骤3：计算自相关矩阵；

当求得随机稀疏编码矩阵C后，令将稀疏编码矩阵归范化为：

方阵称为自相关矩阵，所述自相关矩阵表示成对基向量之间的相似关系；

步骤4：解优化问题，通过特征谱分解求解所有图像的低维嵌入，具体过程如下：

（4.1）首先建立如下优化问题：

其中：A=S-SS，Q用于存放相对约束信息，u表示所有图像数据的一维嵌入，α为参数；

（4.2）基于拉格朗日乘子法和KKT定理，式（2）的优化问题转化为：

u^TSu＝1（5）

1^TSu＝0（6）

λ≥0 （7）

（4.3）令-μ/λ＝β，则式（3）转化为求解如下的特征方程：

式（9）解向量u*有m个，而满足相对比较约束的解向量，还必须满足式（5）、（6）、（7）的可行约束条件，条件（6）是广义的正交约束，条件（7）是非负性约束，其中λ表示方程（9）的特征值，即特征值必须非负，条件（5）采取乘一个因子的方法满足，即对某一个特征向量u_i，乘以便可满足式（5）；

（4.4）满足式（5）（6）（7）的解向量集合记作{u_i}，并按照u_i^TAu_i的值升序排序，取最多前k个解向量，得到{u_i}^(k)；

（4.5）对{u_i}^(k)中的每个向量，计算出得到的{v_i}^(k)称为原图像数据的k维嵌入，用矩阵表示为：k为输入参数；

步骤5：在低维空间中，计算待检索图像与数据库图像的欧氏距离，根据距离升序排序数据库中的图像，所述欧式距离与相似性负相关；

步骤6：输出升序排序后的图像。

进一步，所述步骤2中，编码系数通过如下表达式计算：

其中，K(t_j,b_i)表示余弦函数，i∈rNB(j)表示基向量b_i在图像t_j中的r个最近的邻居；