每日论文7.24——基于全卷积神经网络的OCT内外指纹提取算法

一、神经网络核心结构与概念

1. 基础连接与特征提取

• 全连接 vs 局部连接
  • 全连接：每个神经元与前一层所有输入相连，参数多（适用于简单分类，但不适合图像）。
  • 局部连接：神经元仅连接前一层局部区域（局部感受野），利用图像局部相关性，大幅减少参数（CNN 基础）。
• 局部感受野
  神经元 “关注” 的输入局部区域（如 3×3 像素），模拟人类视觉对局部特征的感知（如边缘、纹理）。
• 卷积核
  提取特征的小矩阵（如 3×3），通过滑动扫描图像、卷积运算（对应位置相乘求和）提取边缘、纹理等特征，且参数共享（同一卷积核扫全图，减少参数）。
• 参数共享
  卷积核在扫描图像时复用同一套权重，避免为每个位置设计独立参数（如 3×3 卷积核仅 9 个参数，而非位置数 ×9），是 CNN 高效的核心。

2. 网络层与操作

• 池化层
  • 作用：对特征图降维（压缩尺寸），保留核心特征，减少参数和过拟合。
  • 类型：
    • 最大池化：取窗口最大值，保留局部强特征（如边缘）。
    • 均值池化：取窗口平均值，保留整体趋势（如色块）。
• 激活函数
  • 作用：注入非线性能力，使网络学习复杂模式（无激活函数则为线性模型）。
  • 常用类型：
    • ReLU：隐藏层首选（计算快，缓解梯度消失）。
    • Sigmoid：二分类输出层（输出 0~1 概率）。
    • Softmax：多分类输出层（输出概率分布）。

3. 经典网络架构

• 全卷积神经网络（FCN）
  • 特点：用卷积层替代全连接层，支持任意尺寸输入，输出像素级预测（如语义分割）。
  • 结构：下采样（提取特征）→ 卷积化（替代全连接）→ 上采样（恢复尺寸）。
• U-Net
  • 特点：U 型结构（编码器 + 解码器 + 跳跃连接），高精度分割（尤其医学影像）。
  • 优势：跳跃连接融合浅层细节与深层语义，对称结构保细节。
• 残差卷积神经网络（ResNet）
  • 核心：残差连接（输出 = 输入 + 残差），解决深层网络梯度消失和性能退化。
  • 应用：图像分类、目标检测（作为骨干网络）。
• 卷积 LSTM（ConvLSTM）
  • 特点：卷积 + LSTM 结合，处理时空数据（如视频、气象序列）。
  • 优势：同时捕捉空间局部特征（卷积）和时序依赖（LSTM）。

二、传统图像处理算法

1. BM3D 图像滤波

• 核心：基于非局部相似性，将相似 2D 块堆叠为 3D 块，通过 3D 变换滤波去噪。
• 优势：去噪强且保细节（尤其高斯噪声），适用于医学影像、遥感图像。

2. Retinex 算法

• 核心：分解图像为反射分量（物体固有属性）和光照分量（环境光），增强反射分量。
• 类型：单尺度（SSR）、多尺度（MSR）、带颜色恢复（MSRCR，适用于低光照增强）。

三、核心逻辑总结

类别	核心目标	典型应用场景
神经网络基础	提取特征、减少参数、学习非线性模式	图像分类、目标检测
分割网络（FCN/U-Net）	像素级预测，保留空间细节	语义分割、医学影像分割
残差网络 / ConvLSTM	深层特征提取、时空数据处理	超深分类、视频预测
传统滤波 / 增强算法	去噪、提升对比度，基于物理 / 视觉模型	医学影像去噪、低光照增强