[发明专利]一种基于深度特征袋的分类方法

权利要求书

1.一种基于深度特征袋的分类方法，其特征在于，依次包括如下步骤：

S1、采集目标对象的三维图像，勾画并分割出感兴趣区域；

S2、将步骤S1获得的感兴趣区域的三维图像均分解为三个二维正交平面的二维图像，得到三组二维图像组，从每一组二维图像组中选取一张像素点最多的二维图像分别作为三个二维正交平面的输入图像；

S3、利用卷积神经网络对步骤S2获得的三个二维正交平面的输入图像进行特征提取，得到三个二维正交平面的深度特征，三个二维正交平面的深度特征包括训练样本深度特征和测试样本深度特征；

S4、利用特征袋模型分别对步骤S3获得的训练样本深度特征和测试样本深度特征进行重新编码，得到训练样本编码特征和测试样本编码特征；

S5、采用核融合方法将步骤S4获得的训练样本编码特征和测试样本编码特征融合到支持向量机的核函数中，通过训练求得截距项b和权重系数α；

S6、将步骤S5所得的截距项b和权重系数α代入分类函数中对图像进行分类。

2.根据权利要求1所述的基于深度特征袋的分类方法，其特征在于，步骤S2中，所述三个二维正交平面分别为横断面、冠状面和矢状面。

3.根据权利要求2所述的基于深度特征袋的分类方法，其特征在于，步骤S3中，所述卷积神经网络依次包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和输出层；

所述输入层为三个二维正交平面中任意一个的输入图像；

所述第一卷积层、第二卷积层和第三卷积层的卷积核大小均为2、卷积步长均为1；

所述第一池化层和第二池化层的池化核大小均为2、步长均为2；

所述输出层为三个二维正交平面的深度特征。

4.根据权利要求3所述的基于深度特征袋的分类方法，其特征在于，步骤S4中，所述利用特征袋模型对训练样本深度特征进行重新编码，具体包括如下步骤：

A、将训练样本深度特征连接组合后用K-均值算法进行聚类，聚成K类后生成K个类的类心；

B、将步骤A中形成的K个类心组成码本；

C、将训练样本深度特征映射到码本中与被映射的训练样本深度特征距离最近的类心；

D、利用直方图统计K个类心被所述训练样本深度特征映射的频数，并将其编码成K维特征向量，得到训练样本编码特征。

5.根据权利要求4所述的基于深度特征袋的分类方法，其特征在于，所述利用特征袋模型对测试样本深度特征进行重新编码，具体为：将测试样本深度特征映射到所述码本中与被映射的测试样本深度特征距离最近的类心，利用直方图统计K个类心被所述测试样本深度特征映射的频数，并将其编码成K维特征向量，得到测试样本编码特征。

6.根据权利要求5所述的基于深度特征袋的分类方法，其特征在于，步骤C中，所述被映射的训练样本深度特征与K个类心中任意一个之间的距离以及被映射的测试样本深度特征与K个类心中任意一个之间的距离均采用欧式距离计算。

7.根据权利要求6所述的基于深度特征袋的分类方法，其特征在于，步骤S5中，所述核函数为线性核、多项式核、高斯核、Sigmoid核中的任意一个。

8.根据权利要求6所述的基于深度特征袋的分类方法，其特征在于，步骤S5中，所述核函数为高斯核，高斯核表达式为：其中D_RBF(x_i,x_j)为高斯距离，V＝1或2或3，分别代表横断面、冠状面和矢状面，即分别表示横断面、冠状面和矢状面的高斯距离，ω₁、ω₂、ω₃分别表示横断面、冠状面和矢状面的权重系数，X_i,X_j表示训练样本特征中的第i个和第j个样本；k表示特征向量中的第k个特征；N是训练样本总数，σ为超参数，在训练过程中确定。

9.根据权利要求8所述的基于深度特征袋的分类方法，其特征在于，步骤S6中，所述分类函数表达式为：

其中α_i表示测试样本中第i个样本的权重系数，K_v(x)^T为测试样本中三个二维正交平面的核函数，K_v(x)^T＝(K_v(I₀,I_x),K_v(I₁,I_x))^T；I₀,I₁分别表示二分类中标签为阴性和阳性的训练样本的特征；I_x表示测试样本的特征；f(x)为测试图像的分类标签。