[发明专利]一种基于Superpoint的医学图像处理方法

权利要求书

1.一种基于Superpoint的医学图像处理方法，其特征在于：包括以下步骤：

S1：获取图像并初始化网络；

S2：将获取到的图像输入网络进行特征提取，同时得到特征点的描述子；

S3：KNN方法进行特征匹配；

S4：采用K-Means聚类方法对特征集合进行有层次的聚类。

2.根据权利要求1所述的一种基于Superpoint的医学图像处理方法，其特征在于：所述步骤S1的具体步骤为：

S1.1：获取微创手术过程中内窥镜取得的需要处理的目标图像；

S1.2：初始化深度学习网络参数，采用虚拟的三维图形作为网络训练的数据集，训练网络具备提取角点的功能。

3.根据权利要求1所述的一种基于Superpoint的医学图像处理方法，其特征在于：所述步骤S2的具体步骤为：

S2.1：将待处理图像输入网络，经过共享的编码网络降维图像：

H_c＝H/8

其中，H为图像原始尺寸，H_c为降维后的图像尺寸；

S2.2：兴趣点自标注，进行特征点的解码，解码器的输出为像素点是特征点的概率值，采用的方法为子像素卷积，利用了一种带有特定解码器的特征点检测头进行获取上采样的图像；输入张量的维度是输出的维度为R^H×W；

S2.3：描述子检测，利用类似于UCN的网络得到半稠密的描述子，在进行双线性插值得到完整的描述子，最后利用L2标准化得到单位长度的描述，特征维度由：

变为：

D∈R^H×W×D

S2.4：损失函数构建，此网络有两个分支网络，损失函数也分为两部分，两部分的损失之和为网络最后的损失函数：

L(X,X',D,D'；Y,Y',S)＝L_p(X,Y)+L_p(X',Y')+λL_d(D,D',S)

其中，L_p为特征点的损失函数，L_d为描述子损失函数，λ为平衡负对应比正对应的系数。

4.根据权利要求1所述的一种基于Superpoint的医学图像处理方法，其特征在于：所述步骤S3的具体步骤为：

S3.1：选取合适的k值；

S3.2：计算已知类别数据集中的点与当前点之间的距离，把这些距离按照递增的顺序排序，选取与当前距离最小的k个点，按距离远近排列测试元组的临近元组作为优先级队列，遍历元组，计算元组与测试元组的距离L：

与优先级队列中的L_max进行比较，若：

L_max≤L

则放弃该元组，反之则将L赋值给L_max；

S3.3：遍历完毕后计算优先级队列中k个元组的多数类，并将其作为测试元组的类别，之后计算误差率，设定不同的k值重新进行训练，最后取误差率最小的k值。

5.根据权利要求1所述的一种基于Superpoint的医学图像处理方法，其特征在于，所述步骤S4的具体步骤为：

S4.1：选取k个点作为初始质心；

S4.2：将每个点指派到最近的质心，形成K个簇，根据误差平方和SSE重新计算每个簇的质心：

当簇不发生变化或达到最大迭代次数时停止计算；

S4.3：重新以序列中每帧图像为查询对象，构建其特征集合；

S4.4：对图像的特征建立KD-Tree，并利用KNN方法将当前图像与匹配集合中所有的图像计算匹配。