CN115908950B - 基于相似度正切映射的快速医学高光谱影像分类方法 - Google Patents
基于相似度正切映射的快速医学高光谱影像分类方法 Download PDFInfo
- Publication number
- CN115908950B CN115908950B CN202310016620.3A CN202310016620A CN115908950B CN 115908950 B CN115908950 B CN 115908950B CN 202310016620 A CN202310016620 A CN 202310016620A CN 115908950 B CN115908950 B CN 115908950B
- Authority
- CN
- China
- Prior art keywords
- similarity
- classified
- pixels
- sample set
- hyperspectral 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
Links
Images
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于相似度正切映射的快速医学高光谱影像分类方法,涉及高光谱图像处理技术领域,包括:对待分类的医学高光谱影像进行预处理;在待分类的医学高光谱影像上提取样本集;将样本集分为训练样本集和测试样本集;通过训练样本集构建余弦相似度正切映射模型;将测试样本集输入余弦相似度正切映射模型,获得分类结果。通过对余弦相似度做正切映射以评估像素之间的相似程度,然后借助联合局部区域计算待分类像素与不同类别训练样本之间的相似性。经过正切映射的余弦相似度能够有效降低异质像素的干扰,保证MHSI空间光谱信息的充分利用。之后根据相似性大小划分待分类像素的类别标签,快速获取稳定的分类结果。
Description
技术领域
本发明涉及高光谱图像处理技术领域,具体涉及一种基于相似度正切映射的快速医学高光谱影像分类方法。
背景技术
高光谱影像(Hyperspectral Image,HSI)与传统的彩色数字影像相比具有更高的光谱分辨率,通常含有数十上百个波段。丰富的光谱信息可以为目标的精确识别提供依据。所以它在遥感领域方面应用非常的广泛。随着科技的进步,光谱成像的优势已经被应用于各个领域。例如,考古壁画保护、物证鉴定和食品无损检测等。其中随着医学光谱成像技术的持续发展,医疗健康成为了HSI增长最快的应用领域。
对于医学应用来说,医学高光谱影像(Medical Hyperspectral Image,MHSI)不仅能够提供各组织结构的二维空间分布信息,而且可以获得生物组织样本上某一点在感兴趣波长范围的完整光谱,对不同病理组织的化学组成和物理特征进行分析。所以,MHSI快速准确地分类使非侵入性的疾病诊断和临床治疗应用成为可能。
MHSI分类是根据影像的特征为像素分配一个语义标签。早期针对HSI分类的研究,一些基于光谱信息的分类器如支持向量机(SVM)、k近邻(KNN)和稀疏表示(SR)等取得了一定的成功。最近几年来,为了充分利用高光谱影像的空间特征,许多基于空间-光谱特征的分类方法如联合稀疏表示(JSR)、联合最近邻(JNN)、联合类内协同表示(JCR),利用像素的空间邻域信息,获取精度较高的分类结果。
基于光谱信息的分类方法但是由于缺乏空间上下文信息的利用,这类方法的分类结果通常存在大量的噪声斑点,难以满足高光谱影像的应用需求。在应对超复杂表面时,尤其当待分类像素处于异质区域时,现阶段基于空间光谱信息融合的方法的区分性能受异质像素的干扰而下降,并且由于涉及到空谱信息融合这类方法通常需要较长的运算时间。
发明内容
有鉴于此,本发明实施例提供了一种基于相似度正切映射的快速医学高光谱影像分类方法,以解决现有技术中基于空间光谱信息融合的方法的区分性能受异质像素的干扰而下降、且运算时间较长的问题。
本发明实施例提供了一种基于相似度正切映射的快速医学高光谱影像分类方法,包括:
对待分类的医学高光谱影像进行预处理;
在待分类的医学高光谱影像上提取样本集;
将样本集分为训练样本集和测试样本集;
通过训练样本集构建余弦相似度正切映射模型;
将测试样本集输入余弦相似度正切映射模型,获得分类结果。
可选地,对待分类的医学高光谱影像进行预处理,包括:
获取待分类的医学高光谱影像上像素个数、光谱维度和组织类型种类;
逐波段对每个像素对应的光谱值进行归一化。
可选地,在待分类的医学高光谱影像上提取样本集,包括:
提取样本个数、每个样本的组织类别标签。
可选地,通过训练样本集构建余弦相似度正切映射模型,包括:
计算待分类像素与每一个训练样本在特征空间中的余弦相似度,构成余弦相似度矩阵;
对余弦相似度矩阵进行正切映射;
结合空间邻域计算待分类像素与不同组织类别的训练样本的相似性;
根据最大相似性给待分类像素分配标签。
可选地,结合空间邻域计算待分类像素与不同类别的训练样本的相似性,包括:
获取待分类像素空间邻域内的像素和邻域尺度;
根据余弦相似度矩阵筛选出待分类像素与所有种类样本的最高相似度;
利用所有邻域像素的相似度均值表示待分类像素与所有种类样本的相似性;
通过比较待分类像素与不同组织类别的相似性,将待分类像素划分到最大相似性的组织类别中。
可选地,获取待分类像素空间邻域内的像素和邻域尺度,包括:
通过
k次迭代交叉验证获取最佳邻域窗口尺度。
可选地,逐波段对每个像素对应的光谱值进行归一化,包括:
获取像素与对应波段的最小光谱值的第一差值;
获取像素对应波段的最大光谱值与最小光谱值的第二差值;
将像素的光谱值归一化为第一差值与第二差值的比值。
可选地,通过
k次迭代交叉验证获取最佳邻域窗口尺度,包括:
将训练样本数据随机分为
k个等分;
轮流将
k-1份数据作为训练数据,剩余1份数据作为测试数据;
将迭代交叉结果取平均值作为估计的精度;
取精度最高对应的邻域窗口尺度作为最佳邻域窗口尺度。
本发明实施例的有益效果:
本发明实施例提供了一种基于相似度正切映射的快速医学高光谱影像分类方法,通过对余弦相似度做正切映射以评估像素之间的相似程度,然后借助联合局部区域计算待分类像素与不同类别训练样本之间的相似性。经过正切映射的余弦相似度能够有效降低异质像素的干扰,所以保证了MHSI空间光谱信息的充分利用。之后根据相似性大小划分待分类像素的类别标签,快速获取稳定的分类结果。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1示出了本发明实施例中一种基于相似度正切映射的快速医学高光谱影像分类方法的流程图;
图2示出了本发明实施例中另一种基于相似度正切映射的快速医学高光谱影像分类方法的流程图;
图3示出了本发明实施例中一种基于余弦相似度正切映射模型的分类方法流程图;
图4示出了本发明实施例中一种分类精度随窗口尺度变化曲线示意图;
图5示出了本发明实施例中一种脑癌活体组织假彩色影像图;
图6示出了本发明实施例中一种脑癌活体组织的真实标记图;
图7示出了本发明实施例中一种脑癌活体组织的支持向量机分类结果图;
图8示出了本发明实施例中一种脑癌活体组织的联合最近邻分类结果图;
图9示出了本发明实施例中一种脑癌活体组织的联合稀疏表示分类结果图;
图10示出了本发明实施例中一种脑癌活体组织的余弦相似度正切映射分类结果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种基于相似度正切映射的快速医学高光谱影像分类方法,如图1所示,包括:
步骤S10,对待分类的医学高光谱影像进行预处理。
在本实施例中,获取待分类的医学高光谱影像上像素个数、光谱维度和组织类型种类;逐波段对每个像素对应的光谱值进行归一化。具体地,选择待分类的医学高光谱影像,其中,表示实数域,
n是影像的像素个数,
d是光谱维度。
归一化包括:获取像素与对应波段的最小光谱值的第一差值;
获取像素对应波段的最大光谱值与最小光谱值的第二差值;
将像素的光谱值归一化为第一差值与第二差值的比值。
在具体实施例中,对影像中每一个光谱波段中的像素值都进行线性归一化,其中对于影像中第
a个波段上的第
b个像素对应的光谱值归一化过程为:,其中min和max分别是第
a个波段上的最小和最大光谱值,
a和
b均为大于0的实数。
步骤S20,在待分类的医学高光谱影像上提取样本集。
在本实施例中,提取样本个数、每个样本的组织类别标签。在具体实施例中,根据影像上实际组织类型种类,在图像上提取样本集,其中
m是样本个数,
l t ={1,2,…,
c}是第
t个样本的标签,其中
c是影像的类别数,
t∈[1,
m]。
步骤S30,将样本集分为训练样本集和测试样本集。
在本实施例中,训练样本集的容量设置为5~10个。
步骤S40,通过训练样本集构建余弦相似度正切映射模型。
在本实施例中,如图2所示,余弦相似度正切映射模型的构建包括:
S401,初始化邻域窗口尺度。
S402,基于余弦相似度正切映射对影像进行分类。
S403,通过交叉验证优化窗口尺度。
重复步骤S402~S403,直至得到最优窗口尺度。
S405,分类精度评定。
S406,输出分类图及其对应的分类精度。
步骤S50,将测试样本集输入余弦相似度正切映射模型,获得分类结果。
在本实施例中,采用余弦相似度正切映射模型(Cosine Similarity TangentMapping,CSTM)对原始影像进行分类。
本发明实施例提供了一种基于相似度正切映射的快速医学高光谱影像分类方法,通过对余弦相似度做正切映射以评估像素之间的相似程度,然后借助联合局部区域计算待分类像素与不同类别训练样本之间的相似性。经过正切映射的余弦相似度能够有效降低异质像素的干扰,所以保证了MHSI空间光谱信息的充分利用。之后根据相似性大小划分待分类像素的类别标签,快速获取稳定的分类结果。
作为可选的实施方式,步骤S40还包括:
计算待分类像素与每一个训练样本在特征空间中的余弦相似度,构成余弦相似度矩阵。
在本实施例中,计算像素与每一个训练样本在特征空间中的余弦相似度,构成一个相似度矩阵,像素
y i 和训练样本像素
x j 的余弦相似度计算方式如下:
对余弦相似度矩阵进行正切映射,
i,
j均为自然数。
在本实施例中,获取的余弦相似度矩阵
s做正切映射如下:
其中设置一个小常数
ε防止
s中元素出现无穷值,
ε设置为10-6。
结合空间邻域计算待分类像素与不同组织类别的训练样本的相似性。
在本实施例中,获取待分类像素空间邻域内的像素和邻域尺度。根据余弦相似度矩阵筛选出待分类像素与所有种类样本的最高相似度。利用所有邻域像素的相似度均值表示待分类像素与所有种类样本的相似性。通过比较待分类像素与不同组织类别的相似性,将待分类像素划分到最大相似性的组织类别中。
在具体实施例中,对于像素
y i 与
l类的相似性可有由其邻域内所有像素的相似性均值表示。对于像素
y i ,首先确定其空间邻域内的像素{
y i,1,
y i,2,…,
y i,
u }
T=
R 2,
R是邻域尺度,然后根据相似性矩阵
s筛选出
y i,
u 的与所有
l类样本的最高相似度,最后利用所有邻域像素的相似度均值表示
y i 与
l类的相似性:
根据最大相似性给待分类像素分配标签。
在本实施例中,通过比较
y i 与不同类别的相似性,将其划分到最大相似性所属的类别,即:
本发明实施例针对医学高光谱影像空间信息未充分利用导致的相似间相似性表达不准确及传统分类方法计算效率低等问题,基于余弦相似度,将余弦相似度的正切映射作为样本间的相似性度量,然后通过联合局部区域计算待分类像素与不同类别的相似程度,保证高光谱影像空间-光谱信息的充分利用,将待分类像素分配给作用相似性最大的类别。本发明提供的像素度正切映射方法能够有效增加同质像素的聚集性,异质像素的可分性,从而获得比传统分类方法更好的分类结果。
作为可选的实施方式,获取待分类像素空间邻域内的像素和邻域尺度,包括:
通过
k次迭代交叉验证获取最佳邻域窗口尺度:
将训练样本数据随机分为
k个等分;
轮流将
k-1份数据作为训练数据,剩余1份数据作为测试数据;
将迭代交叉结果取平均值作为估计的精度;
取精度最高对应的邻域窗口尺度作为最佳邻域窗口尺度。
在本实施例中,将样本数据随机分为
k个等份,轮流将其中的
k-1份数据用作训练1份用作测试,
k次结果取平均值作为估计的精度来评价
R值,一般进行10次10折交叉验证来获取最优的
R值。
在具体实施方式中,还包括:对分类结果通过测试样本进行精度评定。将用作训练剩余的标记样本用于测试并计算混淆矩阵得出分类的总体精度(OA)和卡帕系数(Kappa),本实施例记录10次随机选取训练集的分类精度及标准差。
如图3~10所示,通过本发明实施例提供的基于相似度正切映射的快速医学高光谱影像分类方法,应用于In-Vivo人脑高光谱影像数据集的分类。影像包含826个波段,去除127个噪声波段,保留699个波段。图像尺寸为443×479,空间分辨率为128.7μm,真实标记图主要包含3种的组织类型和1类背景,不同类别标记像素个数如表1中所示。不同算法结果如图6~图10所示。
表1 标记样本个数
如表2所示,相比于SVM,JNN和JSRC算法,本发明的方法能够获取更高的分类精度、稳定性和运行效率。
表2 CSTM与不同方法的分类精度和运算时间
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (6)
1.一种基于相似度正切映射的快速医学高光谱影像分类方法,其特征在于,包括:
对待分类的医学高光谱影像进行预处理;
在所述待分类的医学高光谱影像上提取样本集;
将所述样本集分为训练样本集和测试样本集;
通过所述训练样本集构建余弦相似度正切映射模型;
将所述测试样本集输入所述余弦相似度正切映射模型,获得分类结果;
其中,通过所述训练样本集构建余弦相似度正切映射模型,包括:
计算待分类像素与每一个训练样本在特征空间中的余弦相似度,构成余弦相似度矩阵;对所述余弦相似度矩阵进行正切映射;结合空间邻域计算所述待分类像素与不同组织类别的所述训练样本的相似性;根据最大相似性给所述待分类像素分配标签;
结合空间邻域计算所述待分类像素与不同类别的所述训练样本的相似性,包括:
获取所述待分类像素空间邻域内的像素和邻域尺度;根据所述余弦相似度矩阵筛选出所述待分类像素与所有种类样本的最高相似度;利用所有邻域像素的相似度均值表示所述待分类像素与所有所述种类样本的相似性;通过比较所述待分类像素与不同组织类别的相似性,将所述待分类像素划分到最大相似性所述的组织类别中。
2.根据权利要求1所述的基于相似度正切映射的快速医学高光谱影像分类方法,其特征在于,对待分类的医学高光谱影像进行预处理,包括:
获取所述待分类的医学高光谱影像上像素个数、光谱维度和组织类型种类;
逐波段对每个像素对应的光谱值进行归一化。
3.根据权利要求1所述的基于相似度正切映射的快速医学高光谱影像分类方法,其特征在于,在所述待分类的医学高光谱影像上提取样本集,包括:
提取样本个数、每个样本的组织类别标签。
4.根据权利要求1所述的基于相似度正切映射的快速医学高光谱影像分类方法,其特征在于,获取所述待分类像素空间邻域内的像素和邻域尺度,包括:
通过k次迭代交叉验证获取最佳邻域窗口尺度。
5.根据权利要求2所述的基于相似度正切映射的快速医学高光谱影像分类方法,其特征在于,逐波段对每个像素对应的光谱值进行归一化,包括:
获取所述像素与对应波段的最小光谱值的第一差值;
获取所述像素对应波段的最大光谱值与所述最小光谱值的第二差值;
将所述像素的光谱值归一化为所述第一差值与所述第二差值的比值。
6.根据权利要求4所述的基于相似度正切映射的快速医学高光谱影像分类方法,其特征在于,通过k次迭代交叉验证获取最佳邻域窗口尺度,包括:
将训练样本数据随机分为k个等分;
轮流将k-1份数据作为训练数据,剩余1份数据作为测试数据;
将迭代交叉结果取平均值作为估计的精度;
取精度最高对应的所述邻域窗口尺度作为所述最佳邻域窗口尺度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310016620.3A CN115908950B (zh) | 2023-01-06 | 2023-01-06 | 基于相似度正切映射的快速医学高光谱影像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310016620.3A CN115908950B (zh) | 2023-01-06 | 2023-01-06 | 基于相似度正切映射的快速医学高光谱影像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115908950A CN115908950A (zh) | 2023-04-04 |
CN115908950B true CN115908950B (zh) | 2023-05-16 |
Family
ID=85733651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310016620.3A Active CN115908950B (zh) | 2023-01-06 | 2023-01-06 | 基于相似度正切映射的快速医学高光谱影像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908950B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612333B (zh) * | 2023-07-17 | 2023-09-29 | 山东大学 | 一种基于快速全卷积网络的医学高光谱影像分类方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560949B (zh) * | 2020-12-15 | 2022-10-14 | 南京航空航天大学 | 基于多级统计学特征提取的高光谱分类方法 |
CN113298137B (zh) * | 2021-05-21 | 2023-02-24 | 青岛星科瑞升信息科技有限公司 | 一种基于局部相似度数据引力的高光谱影像分类方法 |
CN114863173B (zh) * | 2022-05-06 | 2023-06-23 | 南京审计大学 | 一种面向土地资源审计的自互注意力高光谱图像分类方法 |
CN115496933A (zh) * | 2022-05-11 | 2022-12-20 | 南京航空航天大学 | 基于空间-光谱原型特征学习的高光谱分类方法及系统 |
-
2023
- 2023-01-06 CN CN202310016620.3A patent/CN115908950B/zh active Active
Non-Patent Citations (1)
Title |
---|
S3AM: A Spectral-Similarity-Based Spatial Attention Module for Hyperspectral Image Classification;Ningyang Li等;《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;第5984-5998页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115908950A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985536B (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统 | |
Belsare et al. | Classification of breast cancer histopathology images using texture feature analysis | |
Kothari et al. | Pathology imaging informatics for quantitative analysis of whole-slide images | |
KR102108050B1 (ko) | 증강 컨볼루션 네트워크를 통한 유방암 조직학 이미지 분류 방법 및 그 장치 | |
Iyatomi et al. | An improved internet-based melanoma screening system with dermatologist-like tumor area extraction algorithm | |
Zarella et al. | An alternative reference space for H&E color normalization | |
Pan et al. | Cell detection in pathology and microscopy images with multi-scale fully convolutional neural networks | |
Ali et al. | Towards the automatic detection of skin lesion shape asymmetry, color variegation and diameter in dermoscopic images | |
CN104820841B (zh) | 基于低阶互信息和光谱上下文波段选择的高光谱分类方法 | |
Casanova et al. | Texture analysis using fractal descriptors estimated by the mutual interference of color channels | |
Song et al. | Hybrid deep autoencoder with Curvature Gaussian for detection of various types of cells in bone marrow trephine biopsy images | |
Fabbrocini et al. | Automatic diagnosis of melanoma based on the 7-point checklist | |
JP2022000777A (ja) | 分類装置、分類方法、プログラム、ならびに、情報記録媒体 | |
CN115908950B (zh) | 基于相似度正切映射的快速医学高光谱影像分类方法 | |
JP2022547722A (ja) | 細胞検出およびセグメンテーションのための弱教師ありマルチタスク学習 | |
Hossain et al. | Tissue artifact segmentation and severity assessment for automatic analysis using wsi | |
Wu et al. | Embedding topic discovery in conditional random fields model for segmenting nuclei using multispectral data | |
Ebrahimi et al. | Vertebral corners detection on sagittal X-rays based on shape modelling, random forest classifiers and dedicated visual features | |
Turkki et al. | Assessment of tumour viability in human lung cancer xenografts with texture-based image analysis | |
Ortega et al. | Hyperspectral superpixel-wise glioblastoma tumor detection in histological samples | |
Lenga et al. | Deep learning based rib centerline extraction and labeling | |
Deep et al. | Local quantized extrema quinary pattern: a new descriptor for biomedical image indexing and retrieval | |
Chunmei et al. | Diagnostic method of liver cirrhosis based on MR image texture feature extraction and classification algorithm | |
CN106778536B (zh) | 一种基于fpga的实时高光谱显微图像细胞分类方法 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Ma Xiaopeng Inventor after: Zhang Chenglong Inventor after: Yu Dexin Inventor after: Yang Xiaoli Inventor after: Cheng Qiyuan Inventor before: Ma Xiaopeng Inventor before: Zhang Chenglong Inventor before: Yu Dexin Inventor before: Yang Xiaoli Inventor before: Cheng Qiyuan |