[发明专利]一种基于卷积神经网络的图像检测方法及系统

说明书

本发明公开了一种基于卷积神经网络的图像检测方法及系统，包括以下步骤：采集获取预设数量的标注好的样本图像，预处理后获得去噪后的带标注的目标区域图像；将每个带标注的目标区域图像进行特征提取，获得每个带标注的目标区域的3D特征矩阵；用获得的所有3D特征矩阵对3D卷积神经网络弱实体检测模型进行训练，获得训练好的3D卷积神经网络弱实体检测模型；将待检测图片进行预处理和特征提取，获得待检测图片的3D特征矩阵，将待检测图片的3D特征矩阵输入训练好的3D卷积神经网络弱实体检测模型中，输出待检测图片的检测结果。本发明能够更加精确和快速的完成弱实体目标检测。

技术领域

本发明属于图像检测技术领域，特别涉及一种基于卷积神经网络的图像检测方法及系统。

背景技术

目标检测任务是图像处理任务中极为重要的组成部分。现在主要分为人为检测和算法检测两类。人为检测费时费力，且效率和精确度都相对较低。算法检测中：一种方法是利用2D的图像信息进行独立的预测，但是会缺失很多关于图像序列之间的关系信息，从而导致预测的精度较低；另一种方法是单一地使用3D网络结构进行预测，其在自然图像的简单目标检测任务中能够取得较好的效果，但是在针对特征不明显且尺寸相对较小的弱实体的检测过程总，检测效率和精确度依然较低；例如，在检测肺部CT影像的肺结节过程中，现有的检测方法均不能达到较好的效果，难点之一在于结节的判断容易和其他血管的影像混淆。

在自然图片中，人可以很明显地发现物体的位置以及类别，但是在影像中图像的特征就不是特别明显，而且形状不规则和体积较小，往往需要很长时间仔细的检查或者多名领域专家共同决断。相对于自然图片中的物体，我们将后者称之为弱实体。

综上，亟需一种新型的图像检测方法。

发明内容

本发明的目的在于提供一种基于卷积神经网络的图像检测方法及系统，以解决上述存在的技术问题。本发明根据卷积神经网络中的目标检测算法，针对弱实体检测问题，提出了一种图像检测方法，能够更加精确和快速的完成弱实体目标检测；本发明通过卷积神经网络的模型构建，可弥补针对弱实体检测使用通用模型的缺陷，可解决弱实体检测过程中因特征不明显和尺寸相对较小而造成的难以检测问题。

为达到上述目的，本发明采用以下技术方案：

一种基于卷积神经网络的图像检测方法，包括以下步骤：

步骤1，采集获取预设数量的标注好的样本图像；对每个样本图像进行预处理，获得去噪后的带标注的目标区域图像；

步骤2，对步骤1获得的每个带标注的目标区域图像进行特征提取，获得每个带标注的目标区域的3D特征矩阵；

步骤3，构建3D卷积神经网络弱实体检测模型，用步骤2获得的所有3D特征矩阵对3D 卷积神经网络弱实体检测模型进行训练，训练至预设收敛条件时停止，获得训练好的3D卷积神经网络弱实体检测模型；

步骤4，将待检测图片按照步骤1中的预处理方法进行预处理；然后用步骤2中特征提取的方法进行特征提取，获得待检测图片的3D特征矩阵；将获得的待检测图片的3D特征矩阵输入步骤3训练好的3D卷积神经网络弱实体检测模型中，输出待检测图片的检测结果。

进一步地，步骤1中对每个样本图像进行预处理的方法具体包括：

步骤1.1，将采集获取的每个标注好的样本图像处理为以像素为基本单位的图像；

步骤1.2，对获得的以像素为基本单位的图像进行二值化处理，设定阈值并提取预设目标区域的轮廓；

步骤1.3，根据连通域的算法原理，计算获得的预设目标区域轮廓的连通域，并通过预设目标区域面积估计的方法得到去噪后的目标区域；

步骤1.4，用掩码对步骤1.3获得的去噪后的目标区域进行空洞填充，获得填充后的目标区域；