[发明专利]一种极坐标系下卷积神经网络的图像处理方法及装置

说明书

本申请公开了一种极坐标系下卷积神经网络的图像处理方法及装置，涉及机器学习和计算机视觉领域；其中，该方法包括：对具有中心散射特性的原始图像进行预处理；在极坐标系下对经预处理后的原始图像用扇形卷积核进行卷积处理，生成第一特征映射图；在极坐标系下对所述第一特征映射图用池化窗口进行池化处理，生成第二特征映射图；在极坐标系下对所述第二特征映射图再执行至少一次所述卷积处理和所述池化处理，生成最终的特征映射图并用于后续的图像处理；采用本申请公开的方法将卷积神经网络从直角坐标系扩充到极坐标系，能够很好的对具有中心散射特性的图像进行处理，在保留了原始图像中心散射特性的同时，极大地丰富了卷积神经网络的适用范围。

技术领域

本发明涉及机器学习和计算机视觉领域，具体涉及一种极坐标系下卷积神经网络的图像处理方法及装置。

背景技术

图像的空间位置关系一般包括两种，一种是上下左右的空间联系，一种是以一点为中心的发散区域的空间联系；然而现有的卷积神经网络模型对于图像的空间位置的处理仅局限于上下左右的空间联系，而忽视了包括扇形在内的发散区域的空间联系；究其根本，是因为目前卷积神经网络的卷积运算是在直角坐标系下搭建的，进行卷积计算时的卷积核也是固定的矩形结构，则对应的卷积神经网络的几何结构也是固定的；这种直角坐标系下建立的卷积神经网络提取扇形发散区域局部特征的能力存在明显不足。

在医学图像处理尤其是在眼底图像处理的过程中，使用传统直角坐标系下的卷积神经网络对眼底图像直接卷积处理，会造成识别精度大大降低，难以检测一些特征，无法达到理想效果。

发明内容

本发明旨在提供了一种极坐标系下卷积神经网络的图像处理方法及装置，其能够克服现有技术的缺陷，将卷积神经网络从直角坐标系扩充到极坐标系，能够很好的对具有中心散射特性的图像进行处理；本发明的发明目的通过以下技术方案得以实现：

本申请实施例的第一方面提供了一种极坐标系下卷积神经网络的图像处理方法，所述方法包括：

对具有中心散射特性的原始图像进行预处理；

在极坐标系下对经预处理后的原始图像用扇形卷积核进行卷积处理，生成第一特征映射图；

在极坐标系下对所述第一特征映射图用池化窗口进行池化处理，生成第二特征映射图；

在极坐标系下对所述第二特征映射图再执行至少一次所述卷积处理和所述池化处理，生成最终的特征映射图并用于后续的图像处理。在一些实施例中，所述对具有中心散射特性的原始图像进行预处理具体包括：

在所述具有中心散射特性的原始图像中确定极点和半径，根据所述极点和所述半径确定所述原始图像的外边界，在所述原始图像生成圆形感兴趣区域。

在一些实施例中，所述在极坐标系下对经预处理后的原始图像用扇形卷积核进行卷积处理，生成第一特征映射图具体包括：

在极坐标系下，所述扇形卷积核从预设置的起始位置开始，根据预设置的移动方向和移动角度不断在所述预处理后的原始图像上移动，并与所述预处理后的原始图像进行卷积计算，生成第一特征映射图。

在一些实施例中，所述池化窗口为圆心角、母线均为预设值的扇环；

在极坐标系下对所述第一特征映射图用池化窗口进行池化处理，生成第二特征映射图具体包括：

在极坐标系下，所述池化窗口从预设置的起始位置开始，根据预设置的移动方向和移动角度不断在所述第一特征映射图上移动，采用外侧宽内侧窄的方式对所述第一特征映射图进行池化处理，生成第二特征映射图。

在一些实施例中，所述池化窗口为1＊n的矩阵，其中n为自然数且n≥1；

在极坐标系下对所述第一特征映射图用池化窗口进行池化处理，生成第二特征映射图具体包括：