CN111680683B - 一种roi参数的获取方法及系统 - Google Patents

一种roi参数的获取方法及系统 Download PDF

Info

Publication number
CN111680683B
CN111680683B CN201910254147.6A CN201910254147A CN111680683B CN 111680683 B CN111680683 B CN 111680683B CN 201910254147 A CN201910254147 A CN 201910254147A CN 111680683 B CN111680683 B CN 111680683B
Authority
CN
China
Prior art keywords
roi
accuracy
test
parameter
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910254147.6A
Other languages
English (en)
Other versions
CN111680683A (zh
Inventor
熊杰成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Re Sr Information Technology Co ltd
Original Assignee
Shanghai Re Sr Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Re Sr Information Technology Co ltd filed Critical Shanghai Re Sr Information Technology Co ltd
Priority to CN201910254147.6A priority Critical patent/CN111680683B/zh
Publication of CN111680683A publication Critical patent/CN111680683A/zh
Application granted granted Critical
Publication of CN111680683B publication Critical patent/CN111680683B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及数据处理技术领域，公开了一种ROI参数的获取方法，所述方法包括：生成N个小量测试图像数据集；设置一ROI参数阈值区间，根据所述ROI参数阈值区间生成M个ROI参数，并基于每一个ROI参数对所述N个小量测试图像数据集进行ROI提取，生成M*N个预处理测试图像集；根据一预设分类模型，对所述M*N个预处理测试图像集进行评估，获取到所述M个ROI参数对应的M*N个测试准确率；根据一预设算法以及所述M*N个测试准确率，获取一较优的ROI参数。本发明还相应公开了一种ROI参数的获取系统。根据本发明，能够自动化地获取较优的ROI参数信息，取得更高的测试准确率。

Description

一种ROI参数的获取方法及系统
技术领域
本发明涉及数据处理技术领域，尤其涉及一种ROI参数的获取方法及系统。
背景技术
ROI(Region ofinterest，感兴趣区域)是机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域。在图像处理领域，感兴趣区域是从图像中选择的一个图像区域，这个区域可作为图像分析所关注的重点，圈定该区域以便进一步处理。使用ROI区域可以减少处理时间，增加精度。申请号为CN201710609651的专利披露了一种ROI区域的提取方法，该方法包括：识别所获得的面部图像中的器官区域；将预设的ROI区域模板向所识别的器官区域的边缘调制，得到所述面部图像的ROI区域。
图像分类任务一般分为两个阶段，训练阶段以及测试阶段。在训练阶段主要是基于标注的训练数据集完成对分类模型的训练。在训练阶段一个非常重要的预处理步骤是对训练集图像做增广，以期望增加训练模型的训练。一般的图像增广方法有:ColorJittering(色彩抖动)：对图像亮度、饱和度、对比度进行变化；PCA Jittering(PCA抖动)：首先按照RGB三个颜色通道计算均值和标准差，再在整个训练集上计算协方差矩阵，进行特征分解，得到特征向量和特征值，用来做PCA Jittering；尺度变换；Random Crop(随机裁剪或缩放)：采用随机图像差值方式，对图像进行裁剪、缩放，包括Scale Jittering方法或者尺度和长宽比增强变换；水平/垂直翻转；平移变换；旋转/仿射变换；高斯噪声、模糊处理；类别不平衡数据的增广等。
由于图像增广的存在，在训练过程中一定程度上会降低原图像在目标函数中的贡献，因此在测试阶段不可避免的降低基于原图像的测试方式的测试准确率。
为了提高模型在测试阶段的准确率，采用对测试图像做相关预处理的方法，比如ROI提取。该方法在一定程度上是为了模拟数据增广阶段的图像裁剪或缩放操作。现有技术中的实验结果已经证实基于数据增广技术而训练得到的图像分类模型，在测试阶段基于测试图片的ROI提取的测试准确率要高于基于原图像的测试准确率。但是，ROI提取方法中不同的参数设置会对最终的测试准确率造成影响。
因此，如何对ROI提取方法的参数设置进行评估，自动化地获取一个较优的参数信息，进而获取更高的测试准确率，是急需解决的问题。
发明内容
本发明的目的在于提供一种ROI参数的获取方法及系统，能够自动化地获取较优的ROI参数信息，取得更高的测试准确率。
为实现上述目的，本发明提供了一种ROI参数的获取方法，所述方法包括：生成N个小量测试图像数据集；设置一ROI参数阈值区间，根据所述ROI参数阈值区间生成M个ROI参数，并基于每一个ROI参数对所述N个小量测试图像数据集进行ROI提取，生成M*N个预处理测试图像集；根据一预设分类模型，对所述M*N个预处理测试图像集进行评估，获取到所述M个ROI参数对应的M*N个测试准确率；根据一预设算法以及所述M*N个测试准确率，获取一较优的ROI参数。根据该技术方案，能够自动化地获取较优的ROI参数信息，获取更高的测试准确率。
可选的，所述步骤S1包括：根据一预设的初始测试图像集，从所述初始测试图像数据集中随机选择一预设图像数量百分比的测试图像，所述选择的测试图像构成一个小量测试图像数据集；经过N次随机选择，生成N个小量测试图像数据集。所述预设图像数量百分比的取值范围为5％－10％。根据该技术方案，基于小量测试图像数据集的测试评估所需的计算量大大减少了，大幅度地降低了计算量。
可选的，所述步骤S2包括：根据一预设的步长，在所述ROI参数阈值区间中以所述步长选择M个ROI参数。所述ROI参数阈值区间的设置范围为(0，1)。
可选的，所述步骤S2还包括：基于所述M个ROI参数中的每一个ROI参数对所述N个小量测试图像数据集进行ROI提取，其中，所述ROI参数是经过ROI提取而获取的感兴趣区域与测试图像的面积比值；根据对每一个ROI参数对所述N个小量测试图像数据集进行ROI提取，生成N个预处理测试图像集，每一个ROI参数对应生成N个预处理测试图像集；所述M个ROI参数对应生成M*N个预处理测试图像集。
可选的，所述步骤S3包括：对每一个预处理测试图像集通过一预先训练好的分类模型进行测试评估，得到N个测试准确率，获取到每一个ROI参数对应的N个测试准确率；对M*N个预处理测试图像集进行测试评估，得到M*N个测试准确率，获取到所述M个ROI参数对应的M*N个测试准确率。
可选的，所述S4步骤具体包括：
S400、根据每一个ROI参数对应的N个测试准确率，对所述N个测试准确率求均值计算，得到每一个ROI参数对应的平均测试准确率，所述均值计算公式为式1，
Figure BDA0002013213790000031
其中，accuracym为每一个ROI参数对应的平均测试准确率；
N为小量测试图像数据集的数量；
accuracyn为所述每一个预处理测试图像集对应的测试准确率；
S401、获取所述M个ROI参数对应的M个平均测试准确率，并从所述M个平均测试准确率中选择最大的平均测试准确率，所述选择公式为式2，
accuracyi max＝max{accuracym|m＝1…M} 式2；
其中，accuracyi max表示最大平均测试准确率；
S402、计算出与所述最大平均测试准确率相邻的较大平均测试准确率，所述计算公式为式3，
accuracyn max＝max(accuracyi-1，accuracyi+1) 式3；
其中，accuracyn max表示较大平均测试准确率；
i-1≥1，n等于i-1或者i+1；
S403、根据所述最大平均测试准确率对应的ROI参数，以及所述较大平均测试准确率对应的ROI参数，通过式4计算的得到较优的ROI参数；
Figure BDA0002013213790000041
其中，paramopt为较优的ROI参数；
parami为最大平均测试准确率对应的ROI参数；
paramn为较大平均测试准确率对应的ROI参数。
根据该技术方案，选择求均值计算的方案，在一定程度上减少了在第m个ROI参数所对应的小量测试图像数据集所造成的测试准确率偏差。通过最大平均测试准确率对应的参数值，以及较大平均测试准确率对应的参数值，二者取均值的计算方案，避免了小量测试图像数据集潜在的测试偏差，将获取的较优参数值作为测试图像ROI提取的参数设置。
本发明提供一种ROI参数的获取系统，所述系统包括：测试集模块，用于生成N个小量测试图像数据集；参数设置模块，用于设置一ROI参数阈值区间，根据所述ROI参数阈值区间生成M个ROI参数，并基于每一个ROI参数对所述N个小量测试图像数据集进行ROI提取，生成M*N个预处理测试图像集；测试评估模块，用于根据一预设分类模型，对所述M*N个预处理测试图像集进行评估，获取到所述M个ROI参数对应的M*N个测试准确率；计算模块，用于根据一预设算法以及所述M*N个测试准确率，获取一较优的ROI参数。根据该技术方案，能够自动化地获取较优的ROI参数信息，获取更高的测试准确率。
可选的，所述参数设置模块具体用于：根据一预设的步长，在所述ROI参数阈值区间中以所述步长选择M个ROI参数，其中，所述ROI参数阈值区间的设置范围为(0，1)。
与现有技术相比，本发明一种ROI参数的获取方法及系统，所带来的有益效果：实现了自动化获取较优的ROI参数，提高了测试准确率；基于小量测试图像数据集对ROI参数地设置进行评估训练，大幅度降低了计算量；选择较优的ROI参数，避免了小量测试图像数据集潜在的测试偏差。
附图说明
图1为本发明的一实施例的ROI参数的获取方法的流程图。
图2为本发明的一实施例的ROI参数的获取系统的组成结构图。
图3为本发明一具体实施例的测试准确率输出曲线图。
具体实施方式
以下将结合附图所示的具体实施方式对本发明进行详细描述。在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。
如图1所示，本发明的一实施例，ROI参数的获取方法，所述方法包括：
S1、生成N个小量测试图像数据集；
S2、设置一ROI参数阈值区间，根据所述ROI参数阈值区间生成M个ROI参数，并基于每一个ROI参数对所述N个小量测试图像数据集进行ROI提取，生成M*N个预处理测试图像集；
S3、根据一预设分类模型，对所述M*N个预处理测试图像集进行评估，获取到所述M个ROI参数对应的M*N个测试准确率；
S4、根据一预设算法以及所述M*N个测试准确率，获取一较优的ROI参数。
在分类模型的训练阶段，有一个用来分类模型训练的初始测试图像数据集，本发明中的小量测试图像数据集正是基于该初始测试图像数据集产生的。具体地，从该初始测试图像数据集中随机选择一预设图像数量百分比的测试图像，所述选择的测试图像构成一个小量测试图像数据集，以此类推，经过N次随机选择，生成N个小量测试图像数据集。比如，所述预设图像数量百分比取值范围为5％－10％。所述随机选择方式的原则是小量测试图像数据集在一定程度上可以用于代表初始测试图像数据集，并且小量测试图像数据集的图像数量要比初始测试图像数据集小的多。但是小量测试图像数据集并不能够完全地代替初始测试图像数据集，因此基于小量测试图像数据集与基于初始测试图像数据集的测试结果之间存在偏差因此，为减少小量测试图像数据集的偏差，生成多个小量测试图像数据集。以生成3个小量测试图像数据集为例，首先从初始测试图像数据集中随机选择8％图像数量的测试图像，将选择的所有测试图像构成第一个小量测试图像数据集；同样地，再从初始测试图像数据集中随机选择8％图像数量的测试图像，将选择的所有测试图像构成第二个小量测试图像数据集，以此类推，生成第三个小量测试图像数据集。3个小量测试图像数据集生成。根据该技术方案，基于小量测试图像数据集的测试评估所需的计算量大大减少了，大幅度地降低了计算量。
设置一ROI参数阈值区间，根据所述ROI参数阈值区间生成M个ROI参数，并基于所述M个ROI参数中的每一个ROI参数对所述N个小量测试图像数据集进行ROI提取，生成M*N个预处理测试图像集。具体地，设置ROI参数阈值区间，所述参数阈值区间取值范围为(0，1)。根据一预设的步长，将所述ROI参数阈值区间以所述步长选择M个ROI参数。比如，参数阈值区间[0.75，0.9]，以步长0.025将该ROI参数阈值区间生成7个ROI参数，这7个ROI参数分别为0.75、0.775、0.8、0.825、0.85、0.875、0.9。基于所述M个ROI参数中的每一个ROI参数对所述N个小量测试图像数据集进行ROI提取，也就是基于图像的中心获取以所述参数值为系数的图像中的面积区域，所述ROI参数是经过ROI提取而获取的感兴趣区域与测试图像的面积比值。根据对每一个ROI参数对所述N个小量测试图像数据集进行ROI提取，生成N个预处理测试图像集，即每一个ROI参数对应产生N个预处理测试图像集，共有M个ROI参数，所以共生成M*N个预处理测试图像集。
根据一预设分类模型，对所述M*N个预处理测试图像集进行评估，获取到所述M个ROI参数对应的M*N个测试准确率。具体地，所述分类模型已经预先训练好的。对每一个预处理测试图像集通过所述分类模型进行测试评估，获取到N个测试准确率，即一个ROI参数对应N个测试准确率。对M*N个预处理测试图像集进行评估，获取到M*N个测试准确率，即M个ROI参数对应M*N个测试准确率。
根据一些实施例，所述S4步骤具体包括：
S400，根据每一个ROI参数对应的N个测试准确率，对所述N个测试准确率求均值计算，得到每一个ROI参数对应的平均测试准确率，所述均值计算公式为式1，
Figure BDA0002013213790000081
其中，accuracym为每一个ROI参数对应的平均测试准确率；
N为小量测试图像数据集的数量；
accuracyn为所述每一个预处理测试图像集对应的测试准确率；
S401，获取所述M个ROI参数对应的M个平均测试准确率，并从所述M个平均测试准确率中选择最大的平均测试准确率，所述选择公式为式2，
accuracyimax＝max{accuracym|m＝1…M} 式2；
其中，accuracyimax表示最大平均测试准确率；
S402，计算出与所述最大平均测试准确率相邻的较大平均测试准确率，所述计算公式为式3，
accuracynmax＝max(accuracyi-1，accuracyi+1) 式3；
其中，accuracynmax表示较大平均测试准确率；
i-1≥1，n等于i-1或者i+1；
S403，根据所述最大平均测试准确率对应的ROI参数，以及所述较大平均测试准确率对应的ROI参数，通过式4计算的得到较优的ROI参数；
Figure BDA0002013213790000082
其中，paramopt为较优的ROI参数；
parami为最大平均测试准确率对应的ROI参数；
paramn为较大平均测试准确率对应的ROI参数。
具体的，从上述步骤中已知，每一个ROI参数对应N个测试准确率，对所述N个测试准确率进行求均值计算，得到每一个ROI参数对应的平均测试准确率，所述均值计算公式为式1，
Figure BDA0002013213790000091
其中，accuracym为每一个ROI参数对应的平均测试准确率，N为小量测试图像数据集的数量，accuracyn为所述N个预处理测试图像集中每一个预处理测试图像集对应的测试准确率。选择求均值计算的方案，在一定程度上减少了在第m个ROI参数所对应的小量测试图像数据集所造成的测试准确率偏差。
根据M个ROI参数以及每一个ROI参数对应的平均测试准确率，因此M个ROI参数对应M个平均测试准确率，获取M个平均测试准确率，并从所述M个平均测试准确率中选择最大的平均测试准确率，所述选择公式为式2，
accuracyi max＝max{accuracym|m＝1…M} 式2；
其中，accuracyi max表示最大平均测试准确率；
计算出与所述最大平均测试准确率相邻的较大平均测试准确率，所述计算公式为式3，
accuracyn max＝max(accuracyi-1，accuracyi+1)， 式3；
其中，i-1≥1，n等于i-1或者i+1；
accuracyn max表示较大平均测试准确率。
根据所述最大平均测试准确率对应的ROI参数，以及所述较大平均测试准确率对应的ROI参数，通过式4计算的得到较优的ROI参数；
Figure BDA0002013213790000092
其中，paramopt为较优的ROI参数，parami为最大平均测试准确率对应的ROI参数，paramn为较大平均测试准确率对应的ROI参数。
根据该技术方案，通过最大平均测试准确率对应的参数值，以及较大平均测试准确率对应的参数值，二者取均值的计算方案，避免了小量测试图像数据集潜在的测试偏差，将获取的较优参数值作为测试图像ROI提取的参数设置。
下面以另一具体实施例来对本发明进行详细说明。以食品图像分类任务为基础进行说明。假设基于80万张图像数量的图像训练集得到食品图像分类模型，完成训练阶段的训练模型。需要对该食品图像分类模型进行评估，即测试阶段的模型评估。假设对模型测试的初始测试图像数据集的测试图像数量为4万张。从4万张初始测试图像数据集中随机选择5％的测试图像，生成第一个小量测试图像数据集，第一小量测试图像数据集的图像数量是2千。同样的方法，再从初始测试图像数据集中随机选择5％的测试图像，生成第二个小量测试图像数据集，第二小量测试图像数据集的图像数量是2千。以此类推，重复10次随机选择，生成10个小量测试图像数据集，这10个小量测试图像数据集的图像数量是2万。ROI参数阈值区间设置为[0.75，0.9]，以步长0.25生成7个ROI参数，这7个ROI参数分别为0.75、0.775、0.8、0.825、0.85、0.875、0.9。基于每一个ROI参数分别对10个小量测试图像数据集进行ROI提取操作的预处理，一共得到7*10＝70个预处理测试图像集。对于7个ROI参数设置的模型评估测试来说，基于小量测试图像数据集的测试图像总量约为7*2＝14万，基于初始测试图像数据集的测试图像总数量为7*4万＝28万，因此，基于小量测试图像数据集的测试评估所需的计算量减少了一半。使用每一个预处理测试图像集对分类模型分别进行评估测试，每一个预处理测试图像集经过评估训练后，获取到一个对应的测试准确率，共获取到70个测试准确率。其中每一个ROI参数与10个测试准确率对应。如图3所示，为对所述70个预处理测试图像集进行测试评估得到的测试准确率曲线示意图。图中，横轴表示ROI参数，纵轴表示测试平均测试准确率。从图中，可以看出平均测试准确率最大值对应的ROI参数为0.775，与其相邻的较大平均测试准确率对应的ROI参数为0.75，因此获取的较优ROI参数为(0.775+0.75)/2＝0.7625。基于ROI参数0.7625对7个小量测试图像数据集进行ROI提取处理后，得到的测试准确率为图中的红色点。橙色点则以7个ROI参数分别对4万的初始测试图像数据集进行ROI提取后得到的最高准确率。对比红色点与橙色点，可以看出红色点所代表的测试准确率比橙色点所代表的测试准确率低，但是获取红色点对应的ROI参数所需要的计算量要比获取橙色点对应的ROI参数所需要的计算量减少了约一半。
根据该技术方案，实现了自动化获取较优的ROI参数，提高了测试准确率；基于小量测试图像数据集对ROI参数地设置进行评估训练，大幅度降低了计算量；选择较优的ROI参数，避免了小量测试图像数据集潜在的测试偏差。
图2所示出了一种ROI参数的获取系统，所述系统包括：
测试集模块20，用于生成N个小量测试图像数据集；
参数设置模块21，用于设置一ROI参数阈值区间，根据所述ROI参数阈值区间生成M个ROI参数，并基于每一个ROI参数对所述N个小量测试图像数据集进行ROI提取，生成M*N个预处理测试图像集；
测试评估模块22，用于根据一预设分类模型，对所述M*N个预处理测试图像集进行评估，获取到所述M个ROI参数对应的M*N个测试准确率；
计算模块23，用于根据一预设算法以及所述M*N个测试准确率，获取一较优的ROI参数。
所述测试集模块中的小量测试图像数据集基于一初始测试图像数据集产生的。所述测试集模块从该初始测试图像数据集中随机选择一预设图像数量百分比的测试图像，所述选择的测试图像构成一个小量测试图像数据集，以此类推，经过N次随机选择，生成N个小量测试图像数据集。比如，所述预设图像数量百分比取值范围为5％－10％。
参数设置模块设置一ROI参数阈值区间，根据所述ROI参数阈值区间生成M个ROI参数，并基于所述M个ROI参数中的每一个ROI参数对所述N个小量测试图像数据集进行ROI提取，生成M*N个预处理测试图像集。具体地，所述参数阈值区间取值范围为(0，1)。根据一预设的步长，将所述ROI参数阈值区间以所述步长选择M个ROI参数。基于所述M个ROI参数中的每一个ROI参数对所述N个小量测试图像数据集进行ROI提取，也就是基于图像的中心获取以所述参数值为系数的图像中的面积区域，所述ROI参数是经过ROI提取而获取的感兴趣区域与测试图像的面积比值。根据对每一个ROI参数对所述N个小量测试图像数据集进行ROI提取，生成N个预处理测试图像集，即每一个ROI参数对应产生N个预处理测试图像集，共有M个ROI参数，所以共生成M*N个预处理测试图像集。
测试评估模块根据一预设分类模型，对所述M*N个预处理测试图像集进行评估，获取到所述M个ROI参数对应的M*N个测试准确率。所述分类模型已经预先训练好的。对每一个预处理测试图像集通过所述分类模型进行测试评估，获取到N个测试准确率，即一个ROI参数对应N个测试准确率。对M*N个预处理测试图像集进行评估，获取到M*N个测试准确率，即M个ROI参数对应M*N个测试准确率。
计算模块根据一预设估算算法以及所述M*N个测试准确率，获取一较优的ROI参数。具体得，从上述步骤中已知，每一个ROI参数对应N个测试准确率，对所述N个测试准确率进行求均值计算，得到每一个ROI参数对应的平均测试准确率，所述均值计算公式为式1，
Figure BDA0002013213790000121
其中，accuracym为每一个ROI参数对应的平均测试准确率，N为小量测试图像数据集的数量，accuracyn为所述N个预处理测试图像集中每一个预处理测试图像集对应的测试准确率。选择求均值计算的方案，在一定程度上减少了在第m个ROI参数所对应的小量测试图像数据集所造成的测试准确率偏差。
根据M个ROI参数以及每一个ROI参数对应的平均测试准确率，因此M个ROI参数对应M个平均测试准确率，获取M个平均测试准确率，并从所述M个平均测试准确率中选择最大的平均测试准确率，所述选择公式为式2，
accuracyi max＝max{accuracym|m＝1…M} 式2；
其中，accuracyi max表示最大平均测试准确率；
计算出与所述最大平均测试准确率相邻的较大平均测试准确率，所述计算公式为式3，
accuracyn max＝max(accuracyi-1，accuracyi+1)， 式3；
其中，i-1≥1，n等于i-1或者i+1；
accuracyn max表示较大平均测试准确率；
根据所述最大平均测试准确率对应的ROI参数，以及所述较大平均测试准确率对应的ROI参数，通过式4计算的得到较优的ROI参数；
Figure BDA0002013213790000131
其中，paramopt为较优的ROI参数，parami为最大平均测试准确率对应的ROI参数，paramn为较大平均测试准确率对应的ROI参数。通过最大平均测试准确率对应的参数值，以及较大平均测试准确率对应的参数值，二者取均值的计算方案，避免了小量测试图像数据集潜在的测试偏差，将获取的较优参数值作为测试图像ROI提取的参数设置。
根据该技术方案，可实现自动化获取较优的ROI参数，提高测试准确率；基于小量测试图像数据集对ROI参数地设置进行评估训练，可大幅度降低计算量；选择较优的ROI参数，可避免小量测试图像数据集潜在的测试偏差。
虽然以上通过附图和实施例对本发明进行了详细描述，但是这样的图示和描述应被理解为是说明性或示例性而非限制性的。本发明并不局限于所公开的实施例。在权利要求中，词语“包括”并不排除其它部件或步骤，并且“一个”或特定“多个”应当被理解为至少一个或至少特定多个。权利要求中的任何参考标记都不应当被理解为对其范围加以限制。通过研习附图、说明书和所附权利要求，针对上述实施例的其它变化形式可以由本领域技术人员在无需创造性劳动即可理解并实施，而这些实施方式仍将落入本发明所附权利要求书的范围之内。

Claims (9)

1.一种ROI参数的获取方法，其特征在于，所述方法包括步骤：
S1、生成N个小量测试图像数据集；
S2、设置一ROI参数阈值区间，根据所述ROI参数阈值区间生成M个ROI参数，并基于每一个ROI参数对所述N个小量测试图像数据集进行ROI提取，生成M*N个预处理测试图像集；
S3、根据一预设分类模型，对所述M*N个预处理测试图像集进行评估，获取到所述M个ROI参数对应的M*N个测试准确率；
S4、根据一预设算法以及所述M*N个测试准确率，获取一较优的ROI参数；
其中，所述步骤S4包括：
S400、根据每一个ROI参数对应的N个测试准确率，对所述N个测试准确率求均值计算，得到每一个ROI参数对应的平均测试准确率，均值计算公式为式1，
Figure QLYQS_1
其中，accuracym为每一个ROI参数对应的平均测试准确率，N为小量测试图像数据集的数量，accuracyn为所述每一个预处理测试图像集对应的测试准确率；
S401、获取所述M个ROI参数对应的M个平均测试准确率，并从所述M个平均测试准确率中选择最大的平均测试准确率，选择公式为式2，
accuracyi max＝max{ accuracym|m＝1…M} 式2；
其中，accuracyi max表示最大平均测试准确率；
S402、计算出与所述最大平均测试准确率相邻的较大平均测试准确率，计算公式为式3，
accuracyn max＝max(accuracyi-1，accuracyi+1) 式3；
其中，accuracyn max表示较大平均测试准确率，i-1≥1，n等于i-1或者i+1；
S403、根据所述最大平均测试准确率对应的ROI参数，以及所述较大平均测试准确率对应的ROI参数，通过式4计算得到较优的ROI参数；
Figure QLYQS_2
其中，paramopt为较优的ROI参数，parami为最大平均测试准确率对应的ROI参数，paramn为较大平均测试准确率对应的ROI参数。
2.如权利要求1所述的ROI参数的获取方法，其特征在于，所述步骤S1包括：
根据一预设的初始测试图像集，从所述初始测试图像数据集中随机选择一预设图像数量百分比的测试图像，所述选择的测试图像构成一个小量测试图像数据集；
经过N次随机选择，生成N个小量测试图像数据集。
3.如权利要求2所述的ROI参数的获取方法，其特征在于，所述预设图像数量百分比的取值范围为5％－10％。
4.如权利要求1所述的ROI参数的获取方法，其特征在于，所述步骤S2包括：
根据一预设的步长，在所述ROI参数阈值区间中以所述步长选择M个ROI参数。
5.如权利要求4所述的ROI参数的获取方法，其特征在于，所述ROI参数阈值区间的设置范围为(0，1)。
6.如权利要求4所述的ROI参数的获取方法，其特征在于，所述步骤S2还包括：
基于所述M个ROI参数中的每一个ROI参数对所述N个小量测试图像数据集进行ROI提取，其中，所述ROI参数是经过ROI提取而获取的感兴趣区域与测试图像的面积比值；
根据对每一个ROI参数对所述N个小量测试图像数据集进行ROI提取，生成N个预处理测试图像集，每一个ROI参数对应生成N个预处理测试图像集；
所述M个ROI参数对应生成M*N个预处理测试图像集。
7.如权利要求6所述的ROI参数的获取方法，其特征在于，所述步骤S3包括：
对每一个预处理测试图像集通过一预先训练好的分类模型进行测试评估，得到N个测试准确率，获取到每一个ROI参数对应的N个测试准确率；对M*N个预处理测试图像集进行测试评估，得到M*N个测试准确率，获取到所述M个ROI参数对应的M*N个测试准确率。
8.一种ROI参数的获取系统，其特征在于，所述系统包括：
测试集模块，用于生成N个小量测试图像数据集；
参数设置模块，用于设置一ROI参数阈值区间，根据所述ROI参数阈值区间生成M个ROI参数，并基于每一个ROI参数对所述N个小量测试图像数据集进行ROI提取，生成M*N个预处理测试图像集；
测试评估模块，用于根据一预设分类模型，对所述M*N个预处理测试图像集进行评估，获取到所述M个ROI参数对应的M*N个测试准确率；计算模块，用于根据一预设算法以及所述M*N个测试准确率，获取一较优的ROI参数；
其中，所述计算模块具体用于：
根据每一个ROI参数对应的N个测试准确率，对所述N个测试准确率求均值计算，得到每一个ROI参数对应的平均测试准确率，均值计算公式为式1，
Figure QLYQS_3
其中，accuracym为每一个ROI参数对应的平均测试准确率，N为小量测试图像数据集的数量，accuracyn为所述每一个预处理测试图像集对应的测试准确率；
获取所述M个ROI参数对应的M个平均测试准确率，并从所述M个平均测试准确率中选择最大的平均测试准确率，选择公式为式2，
accuracyi max＝max{ accuracym|m＝1…M} 式2；
其中，accuracyi max表示最大平均测试准确率；
计算出与所述最大平均测试准确率相邻的较大平均测试准确率，计算公式为式3，
accuracyn max＝max(accuracyi-1，accuracyi+1) 式3；
其中，accuracyn max表示较大平均测试准确率，i-1≥1，n等于i-1或者i+1；根据所述最大平均测试准确率对应的ROI参数，以及所述较大平均测试准确率对应的ROI参数，通过式4计算的得到较优的ROI参数；
Figure QLYQS_4
其中，paramopt为较优的ROI参数，parami为最大平均测试准确率对应的ROI参数，paramn为较大平均测试准确率对应的ROI参数。
9.如权利要求8所述的ROI参数的获取系统，其特征在于，所述参数设置模块具体用于：
根据一预设的步长，在所述ROI参数阈值区间中以所述步长选择M个ROI参数，其中，所述ROI参数阈值区间的设置范围为(0，1)。
CN201910254147.6A 2019-03-30 2019-03-30 一种roi参数的获取方法及系统 Active CN111680683B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910254147.6A CN111680683B (zh) 2019-03-30 2019-03-30 一种roi参数的获取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910254147.6A CN111680683B (zh) 2019-03-30 2019-03-30 一种roi参数的获取方法及系统

Publications (2)

Publication Number Publication Date
CN111680683A CN111680683A (zh) 2020-09-18
CN111680683B true CN111680683B (zh) 2023-06-02

Family

ID=72433287

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910254147.6A Active CN111680683B (zh) 2019-03-30 2019-03-30 一种roi参数的获取方法及系统

Country Status (1)

Country Link
CN (1) CN111680683B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115546218B (zh) * 2022-12-02 2023-03-21 京东方科技集团股份有限公司 置信度阈值确定方法和装置、电子设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011110959A1 (en) * 2010-03-08 2011-09-15 Koninklijke Philips Electronics N.V. Region of interest definition in cardiac imaging
WO2016032397A1 (en) * 2014-08-25 2016-03-03 Agency For Science, Technology And Research (A*Star) Methods and systems for assessing retinal images, and obtaining information from retinal images
WO2017092182A1 (zh) * 2015-12-03 2017-06-08 中山大学 一种在超声影像中自动识别肝脏肿瘤类型的方法
CN107590512A (zh) * 2017-08-30 2018-01-16 深圳市华汉伟业科技有限公司 一种模板匹配中参数的自适应方法和系统
CN108596338A (zh) * 2018-05-09 2018-09-28 四川斐讯信息技术有限公司 一种神经网络训练集的获取方法及其系统
CN108764293A (zh) * 2018-04-28 2018-11-06 重庆交通大学 一种基于图像的车辆检测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011110959A1 (en) * 2010-03-08 2011-09-15 Koninklijke Philips Electronics N.V. Region of interest definition in cardiac imaging
WO2016032397A1 (en) * 2014-08-25 2016-03-03 Agency For Science, Technology And Research (A*Star) Methods and systems for assessing retinal images, and obtaining information from retinal images
WO2017092182A1 (zh) * 2015-12-03 2017-06-08 中山大学 一种在超声影像中自动识别肝脏肿瘤类型的方法
CN107590512A (zh) * 2017-08-30 2018-01-16 深圳市华汉伟业科技有限公司 一种模板匹配中参数的自适应方法和系统
CN108764293A (zh) * 2018-04-28 2018-11-06 重庆交通大学 一种基于图像的车辆检测方法及系统
CN108596338A (zh) * 2018-05-09 2018-09-28 四川斐讯信息技术有限公司 一种神经网络训练集的获取方法及其系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
片兆宇 ; 孟祥萍 ; 舒英利 ; .基于多特征图像显著目标的自动识别.红外与毫米波学报.2009,(04),全文. *
苏燕妮 ; 汪源源 ; .乳腺肿瘤超声图像中感兴趣区域的自动检测.中国生物医学工程学报.2010,(02),全文. *
郭乔进 ; 李宁 ; 谢俊元 ; .一种基于上下文的医学图像ROI分类方法.模式识别与人工智能.2014,(12),全文. *
马鸣 ; 刘少芳 ; 蒲立新 ; .一种基于 DICOM 序列影像的肺结节 ROI 自动检测方法.中国卫生信息管理杂志.2013,(06),全文. *
黄娜君 ; 汪慧兰 ; 朱强军 ; 洪名佳 ; .基于ROI和CNN的交通标志识别研究.无线电通信技术.2018,(02),全文. *

Also Published As

Publication number Publication date
CN111680683A (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
US11615505B2 (en) Apparatus and method for image processing, and system for training neural network
Fang et al. No-reference quality assessment of contrast-distorted images based on natural scene statistics
CN106683048B (zh) 一种图像超分辨率方法及设备
US9928601B2 (en) Automatic segmentation of hair in images
CN107818554B (zh) 信息处理设备和信息处理方法
US7885455B2 (en) Method of combining images of multiple resolutions to produce an enhanced active appearance model
US8155396B2 (en) Method, apparatus, and program for detecting faces
CN109166102A (zh) 一种基于判别区域候选对抗网络的图像转图像翻译方法
US8503734B2 (en) Detecting image detail level
CN112633221B (zh) 一种人脸方向的检测方法及相关装置
Tong et al. Learning no-reference quality metric by examples
CN108288064B (zh) 用于生成图片的方法和装置
CN114677739A (zh) 一种面部表情捕捉方法、装置、计算机设备及存储介质
CN109410158A (zh) 一种基于卷积神经网络的多焦点图像融合方法
CN111680683B (zh) 一种roi参数的获取方法及系统
CN111259792A (zh) 基于dwt-lbp-dct特征的人脸活体检测方法
Forczmański et al. An algorithm of face recognition under difficult lighting conditions
Men et al. Visual quality assessment for motion compensated frame interpolation
JP2004246618A (ja) パターン認識における照合に用いられる画像の生成ならびに同画像を用いたパターン認識のための方法、装置、およびプログラム
Irshad et al. No-reference image quality assessment of underwater images using multi-scale salient local binary patterns
Viacheslav et al. Low-level features for inpainting quality assessment
Islam et al. A new approach of image quality index
Deshpande et al. A method for evaluating deep generative models of images via assessing the reproduction of high-order spatial context
Gibson et al. A perceptual based contrast enhancement metric using AdaBoost
Kowalski et al. Evaluation of active appearance models in varying background conditions

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant