[发明专利]一种基于回归校正网络的声呐图像配准方法及系统

权利要求书

1.一种基于回归校正网络的声呐图像配准方法，其特征在于，包括步骤：

S1.创建3D投影变换参数的回归网络以及3D投影变换的几何变换网络，利用几何变换网络生成图像的训练集，将生成的图像训练集传输至回归网络中进行预训练，得到3D投影变换参数的预测模型；

回归网络的输入有6个通道，包括两个图像通道、两个对应于参考图像的线特征通道和两个坐标通道；回归网络的输出是一个10维向量，包括三个3D旋转参数和三个3D平移参数用来进行SE3变换，两个平移参数和两个缩放参数用来进行投影变换；回归网络由13个层组成，包括5个卷积和线性整流函数层、5个最大池化层和3个完全连接的层；输入张量尺寸为200×200×6，池化层和完全连接层的张量尺寸为：

128×100×100，256×50×50,512×25×25,

512×12×12,512×6×6,1×4096,1×200,1×10；

将生成的图像训练集传输至回归网络中进行预训练，产生回归网络的损失函数，表示为：

其中，f表示卷积网络；θ表示卷积网络的权重参数；μ表示地面实况标签；表示神经网络预测值；I_R表示参考图像；I_T表示测试图像；

S2.创建计算图像相似度的比较网络；

S3.根据得到的预测模型的参数和几何变换网络生成配准图像，通过比较网络计算参考图像和配准图像的相似度，并根据相似度定义比较网络的损失函数，通过反向传播和迭代校正预测模型的参数得到图像的配准；

其中，比较网络的损失函数，表示为：

其中，I′_T表示测试图像I_T转换后的配准图像；m_R表示参考图像I_R的平均值；m_T表示是配准图像I′_T的平均值；是配准图像I′_T的方差；σ_RT表示参考图像I_R和配准图像I′_T的协方差；c₁和c₂表示常数。

2.根据权利要求1所述的一种基于回归校正网络的声呐图像配准方法，其特征在于，几何变换网络包括SE3层、小孔成像层、双线性插值层。

3.一种基于回归校正网络的声呐图像配准系统，其特征在于，包括：

第一创建模块，用于创建3D投影变换参数的回归网络，利用第二创建模块得到的几何变换网络生成图像的训练集，将生成的图像训练集传输至回归网络中进行预训练，得到3D投影变换参数的预测模型；

回归网络的输入有6个通道，包括两个图像通道、两个对应于参考图像的线特征通道和两个坐标通道；回归网络的输出是一个10维向量，包括三个3D旋转参数和三个3D平移参数用来进行SE3变换，两个平移参数和两个缩放参数用来进行投影变换；回归网络由13个层组成，包括5个卷积和线性整流函数层、5个最大池化层和3个完全连接的层；输入张量尺寸为200×200×6，池化层和完全连接层的张量尺寸为：

128×100×100，256×50×50,512×25×25,

512×12×12,512×6×6,1×4096,1×200,1×10；

将生成的图像训练集传输至回归网络中进行预训练，产生回归网络的损失函数，表示为：

其中，f表示卷积网络；θ表示卷积网络的权重参数；μ表示地面实况标签；表示神经网络预测值；I_R表示参考图像；I_T表示测试图像；

第二创建模块，用于创建3D投影变换的几何变换网络；

第三创建模块，用于创建计算图像相似度的比较网络；

比较模块，用于根据得到的预测模型的参数和几何变换网络生成配准图像，通过比较网络计算参考图像和配准图像的相似度，并根据相似度定义比较网络的损失函数，通过反向传播和迭代校正预测模型的参数得到图像的配准；

其中，比较网络的损失函数，表示为：

其中，I^′_T表示测试图像I_T转换后的配准图像；m_R表示参考图像I_R的平均值；

m_T表示是配准图像I^′_T的平均值；是配准图像I^′_T的方差；σ_RT表示参考图像I_R和配准图像I^′_T的协方差；c₁和c₂表示常数。