具体实施方式

如图1所示，本发明一种基于自适应权重的肺结节CT图像重排序方法，包括如下步骤：

步骤一：图像数据集获取：所述图像数据集包括待检索肺部CT图像和图像库中肺部CT图像；

步骤二：图像预处理：将待检索肺部CT图像和图像库中肺部CT图像进行图像预处理，截取以RIO为中心的最小外接矩形图像，得到待检索的肺结节CT图像和图像库中的肺结节CT图像；

步骤三：图像特征提取：将经过预处理后的肺结节CT图像输入CNN网络进行深度特征提取；

步骤四：不同哈希码位的自适应权重计算；

步骤五：相似性度量：将待检索肺结节CT图像与图像库中的肺结节CT图像根据汉明距离进行排序，得到相似性最大的肺结节CT图像。

所述步骤一中图像库中的肺部CT图像具体采用公开的LIDC数据库中的肺部CT图像。

所述步骤三中在对肺结节CT图像进行深度特征提取时，通过PCA对特征矩阵中进行主成分分析。

所述步骤四中对不同哈希码位的自适应权重具体为：

步骤4.1：假设待检索的肺结节CT图像特征为C_q＝[C₁,C₂,...,C_n]，映射后的哈希特征为H_q＝[h₁,h₂,...,h_n]，其中n代表哈希码位；

步骤4.2：假设图像库中的肺结节CT图像特征为Img_q＝[I₁,I₂,...,I_n]，映射后的哈希特征为H_img＝[h_img1,h_img2,...,h_imgn]；

步骤4.3：权重计算：

上式中：C_i代表各维特征向量与对应各维坐标轴的距离，K_i代表所有特征向量与应对各维坐标轴距离的均值。

所述步骤五中相似性度量具体步骤为：

步骤5.1：待检索肺结节CT图像与图像库中肺结节CT图像的相似性度量，通过汉明距离进行计算，公式如下：

步骤5.2：通过对D进行从小到大的排序，得到最为相似的肺结节CT图像。

本发明提供的基于自适应权重的肺结节CT图像重排序方法解决了前哈希函数对特征进行统一映射，未考虑不同位对特征贡献度不同的问题，使得检索出的肺结节CT图像中排名较靠前的部分肺结节图像与待检索肺结节图像相似度并不高，因此，本发明提出了一种针对上述问题的不同哈希码位的自适应权重，对肺结节图像进行排序。

本发明的具体步骤如下：

步骤A：图像预处理，将公开的LIDC数据库中的肺部CT图像进行图像预处理，截取以ROI为中心的最小外接矩形图像。

步骤B：图像特征提取，将步骤A得到的处理后的肺结节图像输入CNN网络进行深度特征提取。由于此特征矩阵中有一些值为0，对于图像特征没有意义，所以对此特征进行PCA主成分分析。

步骤C：权重设计，哈希映射。

假设待检索的肺结节CT图像特征为C_q＝[C₁,C₂,...,C_n]，映射后的哈希特征为H_q＝[h₁,h₂,...,h_n]，其中n代表哈希码位。图像库中的肺结节图像特征为Img_q＝[I₁,I₂,...,I_n]，映射后的哈希特征为H_img＝[h_img1,h_img2,...,h_imgn]。本发明提出的权重公式为：其中C_i代表各维特征向量与对应各维坐标轴的距离。K_i代表所有特征向量与应对各维坐标轴距离的均值。在本发明中，可以看出，各维特征向量的权重是根据特征向量与各维坐标轴距离进行计算的，且距离越远，权重越小。反之距离越近，权重越大。

步骤D：相似性度量。

Step1：待检索肺结节图像与图像库中图像的相似性度量，通过汉明距离进行计算；

公式如下：

Step2：通过对D进行从小到大的排序，得到最为相似的肺结节CT图像。

本发明通过提出的自适应权重函数将不同位哈希码对于图像特征具有不同的贡献度进行量化，能够在进行相似性度量时，将不同位哈希码对于图像特征的贡献度进行充分计算考虑，使检索到的相似图像的相似度最高。

关于本发明具体结构需要说明的是，本发明采用的各部件模块相互之间的连接关系是确定的、可实现的，除实施例中特殊说明的以外，其特定的连接关系可以带来相应的技术效果，并基于不依赖相应软件程序执行的前提下，解决本发明提出的技术问题，本发明中出现的部件、模块、具体元器件的型号、连接方式除具体说明的以外，均属于本领域技术人员在申请日前可以获取到的已公开专利、已公开的期刊论文、或公知常识等现有技术，无需赘述，使得本案提供的技术方案是清楚、完整、可实现的，并能根据该技术手段重现或获得相应的实体产品。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。