叶逆变换得到空间域的显著度图像，从显著度图像可得到显 著区域；
[0022] 3)采集显著区域对应的数据信息，采用极限学习机的神经网络算法对所述显著区 域的数据信息进行在线实时的快速学习，得到目标结果；
[0023] 4)将目标结果与知识数据库进行图像匹配，所述的知识数据库包含了已经类别的 多种实蝇的特征数据，所述的特征数据也由磁共振成像得到；
[0024] 5)根据匹配的结果，判断待识别实蝇是否属于知识数据库中的已经种类，若是则 确定属于知识数据库中的哪一已经种类。
[0025] 步骤2)中的所述显著度图像由平均滤波器进行一次平滑，以消除少数孤立的显 著点。
[0026] 采用集成神经网络完成步骤3)，具体步骤为：由多个个体分类器分别对相应的训 练数据集有放回的重复取样，并行单独训练，然后采用多数投票法进行集成，得到分类器集 成后的目标结果，作为步骤4)的匹配对象。
[0027] 步骤4)中所述的图像匹配采用基于尺度不变特征变换的图像匹配方法进行，具 体为：a、搜索所有尺度上的图像位置，通过高斯微分函数来识别潜在的对于尺度和旋转不 变的兴趣点；b、在每个候选的兴趣点上，通过一个拟合精细的模型来确定位置和尺度；c、 基于图像局部的梯度方向，分配给每个兴趣点位置一个或多个方向，所有后面的对图像数 据的操作都相对于兴趣点的方向、尺度和位置进行变换，从而提供对于这些变换的不变性； d、在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度。
[0028] 本发明模拟人眼处理视觉信息的方式，提出一种"显著性检测+神经网络模型 +SIFT特征匹配"的MRI图像目标识别框架。首先，利用视觉注意机制定位图像中的显著性 区域，通过对显著性区域的少数样本采集，在线构建像素分类模型；最终，图像分割得到的 目标与MRI图像数据库（知识数据库）中已知类别的实蝇MRI图像相对比，经SIFT特征匹 配实现目标分类。
[0029] 1、显著性检测。每秒钟有大量的视觉信息进入人眼。如果没有一个智慧的机制来 滤除视觉中的无关数据，实时处理全部数据将是一个非常恐怖的事情。高层次的认知和复 杂处理，比如物体认知或者场景理解，都依赖这些经过转换过的易处理的数据。这个机制就 是视觉注意，因此需要对图像中的显著性区域进行识别。
[0030] 基于频域分析的模型主要是利用傅里叶变换等方法将图像从空间域变换到频域， 并对频域信息分析处理，寻找出显著特征，再反变换到空间域得到显著度图。通过求得图像 傅里叶变换后的幅度谱的残差，经傅里叶逆变换来直接检测图像显著区域。与其他显著性 检测方法比较，谱残差法的计算速度很快。更具体的显著性检测步骤如下：
[0031] 对于给定的磁共振图像I (X)，首先对其进行二维离散傅里叶变换F[I (x)]，将图 像由空间域转换到频域，得到幅值A(f)和相位P(f)信息：
[0032] A(f) = |F[I(x)] (1)
[0033] L1N丄A p/J 4/0 JM
【主权项】
1. 一种基基于中等场强磁共振解剖成像的实蛹识别方法，其特征在于：包括w下各步 骤： 1) 在磁共振成像系统中，采用小尺寸圆柱形磁共振射频线圈对待分类实蛹成像，成像 时将实蛹置于射频线圈内，得到实蛹磁共振图像；所述磁共振成像系统主磁场场强1. 0特 斯拉W上，成像区域场强不均匀性小于化pm ; 2) 根据得到的实蛹磁共振图像，对图像进行显著性检测，通过求得图像傅里叶变换后 的幅度谱的残差，经傅里叶逆变换得到空间域的显著度图像，从显著度图像可得到显著区 域； 3) 采集显著区域对应的数据信息，采用极限学习机的神经网络算法对所述显著区域的 数据信息进行在线实时的快速学习，得到目标结果； 4) 将目标结果与知识数据库进行图像匹配，所述的知识数据库包含了已知类别的多种 实蛹的特征数据，所述的特征数据也由磁共振成像得到； 5) 根据匹配的结果，判断待分类实蛹是否属于知识数据库中的已知种类，若是则确定 属于知识数据库中的哪一具体种类。
2. 根据权利要求1所述的基于磁共振成像的实蛹分类方法，其特征在于：步骤2)中的 所述显著度图像由平均滤波器进行一次平滑，W消除少数孤立的显著点。
3. 根据权利要求1所述的基于磁共振成像的实蛹分类方法，其特征在于：采用集成神 经网络完成步骤3)，具体步骤为；由多个个体分类器分别对相应的训练数据集有放回的重 复取样，并行单独训练，然后采用多数投票法进行集成，得到分类器集成后的目标结果，作 为步骤4)的匹配对象。
4. 根据权利要求1、2或3所述的基于磁共振成像的实蛹识别方法，其特征在于：步骤 4)中所述的图像匹配采用基于尺度不变特征变换的图像匹配方法进行，具体为；a、捜索所 有尺度上的图像位置，通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点；b、 在每个候选的兴趣点上，通过一个拟合精细的模型来确定位置和尺度；C、基于图像局部的 梯度方向，分配给每个兴趣点位置一个或多个方向，所有后面的对图像数据的操作都相对 于兴趣点的方向、尺度和位置进行变换，从而提供对于该些变换的不变性；d、在每个关键点 周围的邻域内，在选定的尺度上测量图像局部的梯度。
【专利摘要】本发明公开了一种基于磁共振成像的实蝇分类方法，采用特殊的磁共振线圈对待识别实蝇进行磁共振成像，根据磁共振图像的特性以及模拟人类视觉，将磁共振图像的空间域由傅里叶变换为频域，根据频域中的突出区域再经傅里叶逆变换来得到图像空间域的显著区域，采用神经网络算法对显著区域的数据信息进行学习和训练，得到较为可靠的目标结果，将该目标结果与知识数据库中已有种类的实蝇进行图像匹配，以得到待识别实蝇种类。本发明将磁共振成像用于实蝇种类的识别，未使用常规的外观和生物学等昆虫分类学方法，完成磁共振成像后通过软件完成上述方法步骤，即可得到实蝇的种类，识别准确度高。
【IPC分类】G06K9-66
【公开号】CN104573745
【申请号】CN201510030704
【发明人】徐文龙, 潘晨, 吴向平
【申请人】中国计量学院
【公开日】2015年4月29日
【申请日】2015年1月21日