[发明专利]一种用于核型白内障图像的特征提取方法

说明书

本发明公开了一种用于核型白内障图像的特征提取方法：步骤1、对清晰核型白内障图像进行模糊处理得到对应的清晰‑模糊图像对数据集，用清晰‑模糊图像对数据集训练DeblurGAN模型，并用该模型去除实际采集图像的模糊，得到去模糊后的实际采集核型白内障图像数据集；步骤2、根据去模糊后的实际采集核型白内障图像数据集训练CNN模型，根据训练好的CNN模型得到相应的图像特征提取器；步骤3、将待提取特征的核型白内障图像利用训练好的DeblurGAN模型产生清晰的图像，再将得到的清晰图像利用图像特征提取器计算得到图像的特征。本发明能够缓解医学领域核型白内障模糊弱样本对特征提取造成干扰的问题，不需要人为采集大量清晰样本来支持模型的学习，鲁棒性更好。

技术领域

本发明属于计算机视觉处理技术领域，具体涉及一种用于核型白内障图像的特征提取方法。

背景技术

计算机视觉技术已经广泛应用于医学、工业、农业、交通和日常生活等领域，其可以较好地胜任图像特征识别提取和后续处理工作，为各种信息的智能化快捷处理提供了极大的帮助。

其中在图像特征提取中，采集图像时，由于多种复杂环境的影响，部分图像在黑暗环境中拍摄，部分图像在明亮环境中拍摄。不同光线和拍摄情境下来源的图像在特征的具体表现上有差异，并且存在不同的干扰因素。其中的异质问题包括拍摄黑暗环境存在漏光，导致图像有明显的反光问题；拍摄器材对焦不准，导致图像整体不清晰，难以分辨待识别区域等。以上多源异质干扰是在实际应用采集图像进行分析数据时必须考虑的问题，会对后续的计算机图像特征识别方法产生严重的干扰。例如在医学领域中，采集到的临床核型白内障数据就具有上述问题，导致图像整体不清晰，难以进行下一步病情分析。

由于医学领域的特殊性，存在难以获得大量的临床数据的小样本问题，加上上文的多源异质问题，共同组成了医学影像计算机辅助处理领域的弱样本问题。对此，科研人员不可能放弃有干扰的数据，而只是用清晰标准的数据。因此，需要一种临床核型白内障的图像预处理工作，来协调不同来源的数据，并且尽量去除掉大量干扰信息，让现有未标准化数据更加符合标准。那么在此基础上使用的图像特征算法可以拥有更强鲁棒性的方法，在弱样本的情况下，能更准确地提取出临床核型白内障数据的图像特征。

目前，针对于实际应用中的医学领域的计算机图像特征识别，以临床核型白内障图像数据为例，其特征提取的方法主要包括以下几类：

1、科研人员根据临床核型白内障图像，直观地观察该类图像可能具有的灰度、纹理、能量、稠密、边缘、空间特征等图像特征信息。根据观察结果，在传统图像处理的基础上，人为地设计相应特征的提取方法。该方法的优点是特征维度低，处理速度快。但该方法的缺点更明显，这些特征的选取取决于人员的主观经验，可能出现特征不完善，冗余甚至毫无关系的情况。

2、通过核型白内障图像属性，结合专业知识，从源头总结出目标图像应该表现出的颜色、形状、尺度等信息，然后设计针对相应信息的特征滤波器。该方法的优点是权威可靠，可以保证总结的特征可以反映出目标图像的真实属性。但该方法的缺点在于，理论上准确的特征，在经过实际图像采集的干扰之后，并以图像形式展现的情况下，可能反而失去了有效性。

3、利用采集的样本图片和对应的标签，训练一个基于卷积神经网络等结构的深度学习网络模型。利用深度学习来完成目标图像特征的自动学习和自动提取。广泛的实验证明了这种自动提取特征的方法在处理图像上的效果优于人工定义特征的方法。但是缺点也较为明显，模型训练会消耗大量的计算资源，并且需要大量清晰样本来支持模型的学习，所以难以适用于模糊弱样本的情况。

发明内容

本发明的目的在于：目前计算机图像特征提取应用中，医学等领域采集图像时的多源异质干扰和样本数据的小样本造成了模糊弱样本的问题，对图像的特征识别方法产生严重干扰，且现有的图像特征提取方法需要大量清晰样本来支持模型的学习，难以适用于模糊弱样本的情况，为了解决上述问题，提出了一种用于核型白内障图像的特征提取方法。

本发明采用的技术方案如下：