[发明专利]面向HCC病理图像识别的特征选择与特征融合方法

权利要求书

1.一种面向HCC病理图像识别的特征选择与特征融合方法，其特征在于，包括以下步骤：

S1、将HCC病理图像分为训练图像和测试图像，训练图像包括多种图像类别；

S2、利用深度卷积神经网络按照第一预定次数训练所述训练图像，获得所述训练图像在深度卷积神经网络中的深度特征；

S3、利用堆栈式稀疏自编码器按照第二预定次数训练所述训练图像，获得所述训练图像在堆栈式稀疏自编码器中的编码特征；

S4、获取所述训练图像的纹理特征；

S5、对所述深度特征、编码特征和纹理特征进行分组，形成三个单一特征组合和深度-编码特征、深度-纹理特征、编码-纹理特征三个复合特征组合；

S6、利用预设的mRMR、KPCA和Relief算法分别对每一个单一特征组合和复合特征组合进行处理，获得多个单一特征-算法组合和复合特征-算法组合；

S7、基于所述训练图像，利用随机森林分类器对每一个所述单一特征-算法组合和复合特征-算法组合进行处理，获取每一个所述单一特征-算法组合和复合特征-算法组合识别所述训练图像中图像类别的识别分类准确率；

S8、将所述步骤S7中获得的识别分类准确率最高的所述单一特征-算法组合作为最优单一特征-算法组合，将所述步骤S7中获得的识别分类准确率最高的所述复合特征-算法组合作为最优复合特征-算法组合，将所述最优单一特征-算法组合与所述最优复合特征-算法组合相融合，识别分类将融合结果作为最优组合函数；

S9、在随机森林分类器中采用步骤S8中获得的最优组合函数对所述测试图像进行识别，获得所述最优组合函数识别所述测试图像中图像类别的识别分类准确率。

2.根据权利要求1所述的面向HCC病理图像识别的特征选择与特征融合方法，其特征在于，

所述步骤S2中，在完成所述第一预定次数训练后，获得最优偏置参数和最优权重参数；

在深度卷积神经网络中，采用获得的最优偏置参数和最优权重参数，对所述训练图像进行一次训练，训练完成后获得所述训练图像在深度卷积神经网络中的深度特征。

3.根据权利要求1所述的面向HCC病理图像识别的特征选择与特征融合方法，其特征在于，

所述步骤S3中，采用预设隐层节点数的堆栈式稀疏自编码器对所述训练图像进行第二预定次数的训练，训练完成后，获得训练过程中的最优迭代次数值；

在堆栈式稀疏自编码器中，利用最优迭代次数值和预设隐层节点数作为参数对所述训练图像进行一次训练，训练完成后获得所述训练图像在堆栈式稀疏自编码器中的编码特征。

4.根据权利要求1所述的面向HCC病理图像识别的特征选择与特征融合方法，其特征在于，

所述步骤S4中，采用熵、均值、标准差、LPQ、灰度共生矩阵和Tamura的函数分别对所述训练图像进行处理，获得作为纹理特征的熵特征值、均值特征值、标准差特征值、LPQ特征值、灰度共生矩阵特征值和Tamura特征值。

5.根据权利要求1所述的面向HCC病理图像识别的特征选择与特征融合方法，其特征在于，

所述步骤S5中，所述深度特征、编码特征、纹理特征中的任意两个采用矩阵拼接方式形成一个复合特征组合。

6.根据权利要求1所述的面向HCC病理图像识别的特征选择与特征融合方法，其特征在于，

所述步骤S2中，所述第一预定次数为200—300次；

所述步骤S3中，所述第二预定次数为100—200次。