基于过采样修正的大规模医学图像聚类方法技术

基于过采样修正的大规模医学图像聚类方法，属于医学图像处理领域，用于解决医学图像聚类的问题，技术要点是：步骤一.云中心服务系统建立并执行SIFT特征提取与匹配算法；步骤二.提取医学图像的相关特征数据，并进行匹配；步骤三.云中心服务系统建立并执行过采样修正算法以进行医学图像修正，反馈聚类近似医学图像信息至客户端。效果是：该医学图像聚类系统会通过相关技术在用户端获取到图片的相应信息上传并保存到云端服务器，然后云端服务器进行处理，得到最佳的医学图像聚类方案并反馈给用户。

【技术实现步骤摘要】

本专利技术专利属于移动通讯领域，是一种基于过采样修正的大规模医学图像聚类方法，该系统涉及到大规模数据分析、云计算环境下的海量数据处理，涉及到智能数据处理与应用开发。
技术介绍
随着互联网技术与数字化的飞速发展，以及电子数码产品的普及，人们能够获取的数字医学图像数据已经越来越多。医学图像作为一种表现直观、内容丰富的多媒体信息，在各行各业中也得到越来越广泛的应用，如数字多媒体图书馆、医学医学图像应用管理、卫星遥感医学图像和地理信息系统、身份认证识别系统、电子商务、商标版权的监管等。然而，爆炸式增长的医学图像数据己经远远超过了人们所能接受的程度，对于海量的医学图像数据，如何能够快速有效地进行管理与检索，继而从中获取潜在的有价值的信息成为人们关注的问题。而检索时间是医学图像检索的最关键问题之一，传统的检索方法是根据用户提供的待查询样本医学图像，系统按照特定的相似性度量规则，遍历数据库中所有医学图像，并选择最相似的若干幅作为查询结果返回给用户但由于现实世界中医学图像资源很丰富，医学图像数据库容量庞大，如果依然采用顺序检索，计算量将会非常可观，导致检索效率会很低。如果在检索之前能先对医学图像库中的医学图像进行聚类，对各类建立医学图像索引，继而检索过程在特定的某一类内进行,这样就可以在很大程度上缩小医学图像的检索匹配范围,以达 到准确并快速检索医学图像的目的。目前，用于医学图像聚类的算法主要有K-Means聚类算法、scalable k-means++聚类算法等等，但这些算法序列化的特性限制了其可扩展性，它在选点时需要进行大量的迭代操作，使得它在并行处理环境下处理海量数据时的效率比较低。因此，开发更好的医学图像聚类算法就显得很有必要。近几年，云计算逐渐发展成为云计算的一个重要分支。任何智能终端设备如智能手机和平板电脑都可以从无线网络环境中随时按需获取服务，并且不受限于有限的硬件资源、计算能力和带宽等。很显然，在云计算中，高效分析和处理海量时空数据，并且与医学图像聚类应用相结合，就是一个新兴的实用技术，云计算环境下有效的空间数据库索引技术对提高空间数据库查找效率与应用用户体验至关重要，基于该出发点，我们设计并实现了该专利技术专利。
技术实现思路
根据上述
技术介绍
中存在的缺陷和不足，本专利技术专利通过使用包括SIFT特征描述方法、过采样修正算法在内的多个医学图像处理算法，设计了一种新的近似医学图像聚类软件，更好的解决了医学图像聚类问题。为了实现上述目的，本专利技术所采用的技术方案是：一种基于过采样修正的大规模医学图像聚类方法，包括：步骤一.云中心服务系统建立并执行SIFT特征提取与匹配算法；步骤二.提取医学图像的相关特征数据，并进行匹配；步骤三.云中心服务系统建立并执行过采样修正算法以进行医学 图像修正，反馈聚类近似医学图像信息至客户端。进一步的，客户端根据需要将需要进行聚类的医学图像发送至云中心服务系统，并接收云中心服务系统的请求。进一步的，所述建立并执行SIFT特征提取与匹配算法的方法，包括：S1.检测尺度空间极值；S2.关键点定位；S3.关键点方向匹配；S4.生成特征描述子；S5.特征匹配。进一步的，步骤S1.检测尺度空间极值的方法是：每一个采样点要和当前医学图像的8个相邻点、以及上下相邻尺度医学图像对应的9×2个点进行比较,如果该采样点都大于或者都小于其它26个相邻点,该点则为关键点。进一步的，步骤S2.关键点定位的方法是：关键点拟合三维二次函数以定位关键点的尺度和位置。进一步的，步骤S3.关键点方向分配的方法是：在以关键点为中心的邻域窗口内采样，并用梯度方向直方图统计邻域像素的梯度方向，直方图的峰值代表该关键点处的整个邻域梯度的主方向，该主方向作为该关键点的方向。进一步的，在梯度方向直方图中，当存在主峰值80％以上能量的另一个峰值时，则将该方向是该关键点的辅方向，使得主、辅方向联合。进一步，步骤S4.生成特征描述子的方法是：S4.1.在求出关键点的主方向后，以关键点为中心取16×16的窗口，并将医学图像坐标轴旋转为关键点的主方向；S4.2.在以关键点为中心的16×16个像素的窗口中计算每一个像素的梯度方向和幅值；S4.3.进行高斯加权；S4.4.将窗口划分为4×4个小窗口，在每个小窗口上计算8个方向的梯度方向直方图，并绘制每个梯度方向的累加值，形成一个种子点；其中，一个关键点由4×4共16个种子点组成，每个种子点有8个方向向量信息，一个特征点形成128维的SIFT特征向量。进一步的，步骤S5.特征匹配的方法是：在两幅医学图像中取一幅医学图像中的某个特征点,找出其与另一幅医学图像中欧式距离最近的前两个特征点，在这两个特征点中,若最近的距离同次近的距离的比值小于某个阈值,则接受这一对匹配点,否则丢弃。进一步的，所述过采样修正算法的迭代过程如下：步骤一.计算全局聚类误差ψ；步骤二.每一个Map处理过程，任务使用scalable k-means++初始化算法进行选点，每个点x∈X被选中的概率为 其中：U0为初始所有中心点集合，c1均匀随机选出的第一个中心 点，d2(x,U0)为每一个点x∈Xi与U0的平方距离；步骤三.一个Reduce任务合并所有来自Map任务的中心点，输出中心点的集合U1；步骤四.迭代的过程中，OnR利用第j-2次迭代所得中心点对应的全局误差进行选点；OnR利用另一个过采样因子o进一步扩大每一个点被选为中心点的概率；OnR在Reduce任务中使用一个修正的过程移除多选的中心点。有益效果：该医学图像聚类方法会通过相关技术在用户端获取到图片的相应信息上传并保存到云端服务器，然后云端服务器进行处理，得到最佳的医学图像聚类方案并反馈给用户。附图说明图1本专利技术的功能模块图；图2本专利技术的大规模近似医学图像聚类系统架构的示意图；图3本专利技术的特征提取过程；图4本专利技术的特征向量生成过程；图5本专利技术的过采样修正算法的代码；图6本专利技术的过采样修正算法流程；图7本专利技术的所述系统的结构框图。具体实施方式实施例1：一种基于过采样修正的大规模医学图像聚类方法，包括：步骤一.云中心服务系统建立并执行SIFT特征提取与匹配算法；步骤二.提取医学图像的相关特征数据，并进行匹配；步骤三.云中心服务系统建立并执行过采样修正算法以进行医学图像修正，反馈聚类近似医学图像信息至客户端。进一步的，客户端根据需要将需要进行聚类的医学图像发送至云中心服务系统，并接收云中心服务系统的请求。进一步的，所述建立并执行SIFT特征提取与匹配算法的方法，包括：S1.检测尺度空间极值；S2.关键点定位；S3.关键点方向匹配；S4.生成特征描述子；S5.特征匹配。进一步的，步骤S1.检测尺度空间极值的方法是：每一个采样点要和当前医学图像的8个相邻点、以及上下相邻尺度医学图像对应的9×2个点进行比较,如果该采样点都大于或者都小于其它26个相邻点,该点则为关键点。进一步的，步骤S2.关键点定位的方法是：关键点拟合三维二次函数以定位关键点的尺度和位置。进一步的，步骤S3.关键点方向分配的方法是：在以关键点为中心的邻域窗口内采样，并用梯度方向直方图统计邻域像素的梯度方向，直方图的峰值代表该关键点处的整个邻域梯度的主方向，该主方向作为该关键点的方向。进一步的，在梯度方向直方图中本文档来自技高网...

【技术保护点】
一种基于过采样修正的大规模医学图像聚类方法，其特征在于，包括：步骤一.云中心服务系统建立并执行SIFT特征提取与匹配算法；步骤二.提取医学图像的相关特征数据，并进行匹配；步骤三.云中心服务系统建立并执行过采样修正算法以进行医学图像修正，反馈聚类近似医学图像信息至客户端。

【技术特征摘要】
1.一种基于过采样修正的大规模医学图像聚类方法，其特征在于，包括：步骤一.云中心服务系统建立并执行SIFT特征提取与匹配算法；步骤二.提取医学图像的相关特征数据，并进行匹配；步骤三.云中心服务系统建立并执行过采样修正算法以进行医学图像修正，反馈聚类近似医学图像信息至客户端。2.如权利要求1所述的基于过采样修正的大规模医学图像聚类方法，其特征在于，客户端根据需要将需要进行聚类的医学图像发送至云中心服务系统，并接收云中心服务系统的请求。3.如权利要求1所述的基于过采样修正的大规模医学图像聚类方法，其特征在于，所述建立并执行SIFT特征提取与匹配算法的方法，包括：S1.检测尺度空间极值；S2.关键点定位；S3.关键点方向匹配；S4.生成特征描述子；S5.特征匹配。4.如权利要求3所述的基于过采样修正的大规模医学图像聚类方法，其特征在于，步骤S1.检测尺度空间极值的方法是：每一个采样点要和当前医学图像的8个相邻点、以及上下相邻尺度医学图像对应的9×2个点进行比较,如果该采样点都大于或者都小于其它26个相邻点,该点则为关键点。5.如权利要求3所述的基于过采样修正的大规模医学图像聚类方法，其特征在于，步骤S2.关键点定位的方法是：关键点拟合三维二次函数以定位关键点的尺度和位置。6.如权利要求3所述的基于过采样修正的大规模医学图像聚类方法，其特征在于，步骤S3.关键点方向分配的方法是：在以关键点为中心的邻域窗口内采样，并用梯度方向直方图统计邻域像素的梯度方向，直方图的峰值代表该关键点处的整个邻域梯度的主方向，该主方向作为该关键点的方向。7.如权利要求6所述的基于过采样修正的大规模医学图像聚类方法，其特征在于，在梯度方向直方图中，当存在主峰值80％以上能量的另一个峰值时，则将该方向是该关键点的辅方向，使得主、辅方向联...

【专利技术属性】
技术研发人员：季长清，汪祖民，陶帅，王宝凤，许玉杰，宋佳齐，
申请(专利权)人：大连大学，
类型：发明
国别省市：辽宁;21