[发明专利]一种图像量化分析方法

说明书

本发明公开了一种图像量化分析方法，包括以下步骤获取原始图像样本，所述原始图像样本包括原始训练样本、原始测试样本；平滑模糊处理，分别对所述原始训练样本、原始测试样本中的图像块数据归一化，以降低图像的分辨率，得到模糊训练样本、模糊测试样本，使所述模糊测试样本具有和模糊训练样本相同的数据特征；训练超分辨重建模型、处理模糊测试样本、构造残差图谱，所述残差图谱中高灰度值响应的区域即为异常特征区域。

技术领域

本发明涉及机器学习应用、图像处理等领域，具体为一种图像量化分析方法，特别是对于原始高分辨率图像的处理方法。

背景技术

机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，专门研究计算机怎样模拟或实现人组的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，可应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序等诸多领域。机器学习算法是一组从已知数据中自动分析及获得规律并利用规律对未知数据进行预测的算法。

图像数据是指用数值表示的各像素(pixel)的灰度值的集合。通常情况下，设备采集的图像，其分辨率有限，不能满足数据分析或者人为分析的要求，即使现有的一些高端设备所采集的图像的分辨率也很高，但达不到人为分析的要求，因此必须对所采集的高分辨图像进行进一步的处理，已达到进一步分析要求。

发明内容

本发明的目的是：提供一种图像量化分析方法，以达到图像进一步分析的要求，使图像的异常区域更加明显直观的显示，以方便肉眼识别。

实现上述目的的技术方案是：一种图像量化分析方法，包括以下步骤获取原始图像样本，所述原始图像样本包括原始训练样本、原始测试样本；平滑模糊处理，分别对所述原始训练样本、原始测试样本中的图像块数据归一化，以降低图像的分辨率，得到模糊训练样本、模糊测试样本，使所述模糊测试样本具有和模糊训练样本相同的数据特征；训练超分辨重建模型，利用超分辨全卷积网络建立所述模糊训练样本、与原始训练样本之间的像素特征映射关系，并从所述模糊训练样本中提取所述像素特征，得到超分辨重建模型；处理模糊测试样本，将模糊测试样本输入所述超分辨重建模型，得到相应的超分辨重建图像；构造残差图谱，计算原始测试样本与超分辨重建图像之间的残差图谱，其中，所述残差图谱中高灰度值响应的区域即为异常特征区域。

在本发明一较佳的实施例中，在所述平滑模糊处理步骤中，包括高斯平滑处理：在所述原始图像样本进行高斯滤波；降采样处理：对高斯滤波后原始图像样本以定值的缩放因子降采样；上采样处理：对降采样后的原始图像样本以定值的缩放因子上采样，并恢复至原始尺寸；归一化处理：采用MATLAB中mat2gray函数对原始图像样本和上采样后的原始图像样本进行归一化处理，使输出图像数据区间设置为[0,1]，其中，原始图像经归一化处理之后得到原始训练样本、原始测试样本；原始图像经过高斯平滑处理、降采样处理、上采样处理，和归一化处理之后得到模糊训练样本、模糊测试样本。

在本发明一较佳的实施例中，所述处理模糊测试样本步骤中，包括在原始测试样本与该原始测试样本的超分辨重建图像中获取相互对应的像素块，并获取像素块上的各像素点，若将第i个像素点做为图像块中心时，第j个像素点的残差值如下：r_ij＝(p_j-q_ij)；其中，p_j为原始图像中第j个像素点的灰度值，q_ij为当第i个像素点作为所截取的图像块中心时，原始图像中第j个像素点位置的超分辨重建图像的灰度值；在最终残差图谱中，对r_ij求平均，即