(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210754406.3 (22)申请日 2022.06.30 (65)同一申请的已公布的文献号 申请公布号 CN 114821205 A (43)申请公布日 2022.07.29 (73)专利权人 澄影科技 （北京） 有限公司 地址 100088 北京市海淀区知春路6号 （锦 秋国际大厦） 9层A12-1 专利权人 首都医科 大学宣武医院 (72)发明人 卢洁　李玮华　 (74)专利代理 机构 北京润捷智诚知识产权代理 事务所(普通 合伙) 11831 专利代理师 安利霞 (51)Int.Cl. G06V 10/764(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) 审查员 吴媛媛 (54)发明名称 一种基于多维特征的图像处理方法、 装置及 设备 (57)摘要 本发明的实施例提供一种基于多维特征的 图像处理方法、 装置及设备， 所述方法包括： 获取 目标对象的四维影像图像； 对所述四维影像图像 进行预处理， 得到目标图像； 将所述目标图像输 入预设分类模 型中进行分类处理， 得到所述目标 图像的分类结果； 所述预设分类模 型是基于卷积 神经网络进行训练得到的； 所述预设分类模型是 基于所述目标图像的融合多维特征后的时间序 列矩阵， 对所述目标图像进行分类处理的； 根据 所述分类结果， 确定所述四维影像图像的识别结 果。 本发明的实施例基于融合多维特征的时间序 列矩阵， 对所述四维影像图像进行分类处理， 提 高图像分类及识别的准确度。 权利要求书2页 说明书10页 附图2页 CN 114821205 B 2022.09.13 CN 114821205 B 1.一种基于多维特 征的图像处 理方法， 其特 征在于， 所述方法包括： 获取目标对象的四维影 像图像； 对所述四维影 像图像进行 预处理， 得到目标图像； 将所述目标图像输入预设 分类模型中进行分类处 理， 得到所述目标图像的分类结果； 所述预设分类模型是基于卷积神经网络进行训练得到的； 所述预设分类模型是基于所 述目标图像的融合多维特 征后的时间序列矩阵， 对所述目标图像进行分类处 理的； 根据所述分类结果， 确定所述四维影 像图像的识别结果； 其中， 所述预设 分类模型对输入的目标图像的进行分类处 理， 包括： 根据所述目标图像的空间尺度， 获得 所述目标图像的第一时间序列矩阵； 对所述第一时间序列矩阵进行不同维度的特 征融合处 理， 获得目标时间序列矩阵； 对所述目标时间序列矩阵中的任意两个时间序列进行卷积计算， 获得所述目标时间序 列矩阵的功能连接矩阵； 根据所述功能连接矩阵， 得到分类结果。 2.根据权利要求1所述的基于多维特征的图像处理方法， 其特征在于， 对所述 四维影像 图像进行 预处理， 得到目标图像， 包括： 将所述四维影像图像进行时间序列校正处理， 得到第一影像图像， 并将所述第一影像 图像配准至目标 标准空间， 并进行图像滤波处 理； 对所述目标 标准空间内的第一影 像图像进行 数值归一 化处理， 得到目标图像。 3.根据权利要求1所述的基于多维特征的图像处理方法， 其特征在于， 根据所述目标图 像的空间尺度， 获得 所述目标图像的第一时间序列矩阵， 包括： 根据脑谱图对所述目标图像进行分割处 理， 获得所述目标图像的n个脑区图； 根据每一个所述脑区图的每一帧图像的空间尺度均值， 获得所述目标图像的初始时间 序列矩阵； 对所述初始时间序列矩阵进行标准化处理， 获得所述目标图像的第一时间序列矩阵Rn ×t， 其中n为正整数， t为所述目标图像的帧数。 4.根据权利要求3所述的基于多维特征的图像处理方法， 其特征在于， 对所述第 一时间 序列矩阵进行不同维度的特 征融合处 理， 获得目标时间序列矩阵， 包括： 对所述第一时间序列矩阵中的时间序列， 按照第一预设大小和数量的卷积核， 进行第 一维度的卷积池化处 理， 获得第一目标时间序列矩阵； 对所述第一目标时间序列矩阵的时间序列， 按照第一预设大小和数量的卷积核， 进行 第二维度的卷积池化处 理， 获得第二目标时间序列矩阵。 5.根据权利要求4所述的基于多维特征的图像处理方法， 其特征在于， 对所述目标时间 序列矩阵中的任意两个时间序列进行卷积计算处理， 获得所述目标时间序列 矩阵的功能连 接矩阵， 包括： 对所述第一目标时间序列矩阵中的任意两个时间序列， 按照第 二预设大小和数量的卷 积核进行卷积计算， 获得第二功能连接矩阵； 对所述第二目标时间序列矩阵中的任意两个时间序列， 按照第 二预设大小和数量的卷 积核进行卷积计算， 获得第三功能连接矩阵。 6.根据权利要求5所述的基于多维特 征的图像处 理方法， 其特 征在于， 还 包括： 对所述第一 时间序列矩阵中的任意两个时间序列， 按照第 二预设大小和数量的卷积核权　利　要　求　书 1/2 页 2 CN 114821205 B 2进行卷积计算， 获得 所述第一时间序列矩阵的第一功能连接矩阵； 根据所述功能连接矩阵， 得到分类结果， 包括： 将经过不同层数的卷积处理及池化处理后的所述第二功能连接矩阵以及所述第三功 能连接矩阵； 与所述第一功能连接矩阵在第三为维度上连接， 获得目标功能连接矩阵； 对所述目标 功能连接矩阵进行池化处 理， 获得第二时间序列矩阵； 将所述第二 时间序列矩阵在所述预设分类模型的全连接层进行处理后， 输入所述预设 分类模型的分类层中进行分类处 理， 得到分类结果。 7.一种基于多维特 征的图像处 理装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取目标对象的四维影 像图像； 处理模块， 用于对所述 四维影像图像进行预处理， 得到目标图像； 将所述目标图像输入 预设分类模型中进行分类处理， 得到所述 目标图像的分类结果标签； 所述预设分类模型是 基于卷积神经网络进 行训练得到的； 所述预设分类模型是基于所述目标图像的时间序列 矩 阵， 对所述目标图像进 行分类处理的； 根据所述分类结果标签， 得到所述四维影像图像的识 别结果； 其中， 所述预设 分类模型对输入的目标图像的进行分类处 理， 包括： 根据所述目标图像的空间尺度， 获得 所述目标图像的第一时间序列矩阵； 对所述第一时间序列矩阵进行不同维度的特 征融合处 理， 获得目标时间序列矩阵； 对所述目标时间序列矩阵中的任意两个时间序列进行卷积计算， 获得所述目标时间序 列矩阵的功能连接矩阵； 根据所述功能连接矩阵， 得到分类结果。 8.一种计算设备， 其特征在于， 包括： 处理器、 存储器、 通信接口和通信总线， 所述处理 器、 所述存 储器和所述 通信接口通过 所述通信总线完成相互间的通信； 所述存储器用于存放至少一可执行指令， 所述可执行指令使所述处理器执行如权利要 求1‑6中任一项所述的方法对应的操作。 9.一种计算机可读存储介质， 其特征在于， 存储有指令， 所述指令在计算机上运行时， 使得计算机执 行如权利要求1至 6任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114821205 B 3