一种基于随机稀疏编码的大规模医学图像检索方法

摘要

一种基于随机稀疏编码的大规模医学图像检索方法，包括以下步骤：步骤1：输入待检索图像；步骤2：求解所有图像的随机稀疏编码；步骤3：计算自相关矩阵；步骤4：解优化问题，通过特征谱分解求解所有图像的低维嵌入；步骤5：在低维空间中，计算待检索图像与数据库图像的欧氏距离，升序排序，所述欧式距离与相似性负相关；步骤6：输出升序排序后的图像。本发明运用相对比较约束和随机稀疏编码提供了一种检索精度高、检索速度快的大规模医学图像检索方法。

主权项

1.一种基于随机稀疏编码的大规模医学图像检索方法，其特征在于：所述方法包括以下步骤：步骤1：输入待检索图像；步骤2：求解所有图像的随机稀疏编码对所有图像进行预处理，得到等大的灰度二维图像；将每幅灰度二维图像的灰度值，看成一个列向量，用T表示一个d行n列的矩阵，其中每列表示一幅图像的所有像元的灰度值，其中n代表图像的总数，用B表达一个d行m列的基矩阵，每列表示一个基向量，每个基向量表达的是一幅随机选择的图像的所有像元的灰值；用C表达一个m行n列的编码系数矩阵，它是待求解的参量；随机稀疏表达希望最小化||T一BC||，在已知T和B的前提下求解C，并且要求矩阵C中的每列元素中绝大多数的值为0；步骤3：计算自相关矩阵当求得随机稀疏编码矩阵C后，令D_ii＝Σ_jC_ij，将稀疏编码矩阵归范化为：方阵称为自相关矩阵，所述自相关矩阵表示成对基向量之间的相似关系；步骤4：解优化问题，通过特征谱分解求解所有图像的低维嵌入，具体过程如下：（4.1）首先建立如下优化问题：其中：A=S-SS，Q用于存放相对约束信息，u表示所有图像数据的一维嵌入，α为参数；（4.2）基于拉格朗日乘子法和KKT定理，式（2）的优化问题转化为：$\mathrm{Au}-\lambda \bar{Q}u-\mathrm{\mu Su}=0---\left(3\right)$$u_T\bar{Q}u\ge \alpha ---\left(4\right)$u^TSu＝1                         （5）1^TSu＝0                         （6）λ≥0                          （7）$\lambda (u^T\bar{Q}u-\alpha )=0---\left(8\right)$（4.3）令-μ/λ＝β，则式（3）转化为求解如下的特征方程：$\mathrm{Au}=\lambda (\bar{Q}-\mathrm{\beta S})u---\left(9\right)$式（9）解向量u*有m个，而满足相对比较约束的解向量，还必须满足式（5）、（6）、（7）的可行约束条件，条件（6）是广义的正交约束，条件（7）是非负性约束，其中λ表示方程（9）的特征值，即特征值必须非负，条件（5）采取乘一个因子的方法满足，即对某一个特征向量u_i，乘以便可满足式（5）；（4.4）满足式（5）（6）（7）的解向量集合记作{u_i}，并按照u_i^TAu_i的值升序排序，取最多前k个解向量，得到{u_i}^(k)；（4.5）对{u_i}^(k)中的每个向量，计算出得到的{v_i}^(k)称为原图像数据的k维嵌入，用矩阵表示为：V∈R^k×n，k为输入参数；步骤5：在低维空间中，计算待检索图像与数据库图像的欧氏距离，升序排序数据库中的图像，所述欧式距离与相似性负相关；步骤6：输出升序排序的结果。