一种基于深度神经网络的甲状腺癌图像比对模型建立方法

摘要

本发明公开了一种基于深度神经网络的甲状腺癌图像比对模型建立方法，涉及图像识别技术领域，包括：获取若干训练图像，对训练图像中的甲状腺癌区域进行标记，所述训练图像中包括甲状腺癌区域；对甲状腺区域进行灰度特征提取，对若干训练图像的甲状腺区域进行灰度特征训练，得到灰度比对参数；将甲状腺区域划分为整体区域以及点状区域，对若干训练图像的整体区域以及点状区域进行形状特征训练，得到形状比对参数；基于灰度比对参数和形状比对参数建立图像比对模型，本发明用于解决现有的甲状腺癌图像的识别方法缺少具体的特征提取手段，导致无法进行有效地特征比对识别的问题。

权利要求

1.一种基于深度神经网络的甲状腺癌图像比对模型建立方法，其特征在于，包括：获取若干训练图像，对训练图像中的甲状腺癌区域进行标记，所述训练图像中包括甲状腺癌区域；

对甲状腺区域进行灰度特征提取，对若干训练图像的甲状腺区域进行灰度特征训练，得到灰度比对参数；

将甲状腺区域划分为整体区域以及点状区域，对若干训练图像的整体区域以及点状区域进行形状特征训练，得到形状比对参数；

基于灰度比对参数和形状比对参数建立图像比对模型；

获取若干训练图像，对训练图像中的甲状腺癌区域进行标记包括：将训练图像进行像素点划分，基于像素点建立二维坐标系；

在二维坐标系中将甲状腺癌区域的像素点进行坐标标记，并将甲状腺癌区域的像素点设定为比对像素点；

对甲状腺区域进行灰度特征提取，对若干训练图像的甲状腺区域进行灰度特征训练，得到灰度比对参数包括：在二维坐标系中将比对像素点之外的像素点设定为外围像素点；

将比对像素点与外围像素点相邻的像素点设定为比对轮廓像素点，将外围像素点与比对轮廓像素点相邻的像素点设定为外围相接像素点；

计算训练图像中的比对轮廓像素点的灰度的平均值，设定为比对轮廓灰度；计算训练图像中的外围相接像素点的灰度的平均值，设定为外围相接灰度；计算比对轮廓灰度与外围相接灰度的差值的绝对值，设定为灰度比对值；

将若干训练图像逐一通过上述步骤进行灰度特征训练得到若干比对轮廓灰度、若干外围相接灰度以及若干灰度比对值；

对若干比对轮廓灰度、若干外围相接灰度以及若干灰度比对值分别通过比对参数提取方法处理得到灰度比对参数，所述灰度比对参数包括比对轮廓灰度范围、外围相接灰度范围以及灰度比对值范围；

所述比对参数提取方法包括：获取输入的一组灰度值的最大值和最小值，分别设定为灰度最大值和灰度最小值；一组灰度值包括若干比对轮廓灰度、若干外围相接灰度或若干灰度比对值中的一组；

将灰度最大值减去灰度最小值得到灰度差值，将灰度差值除以第一预设数量得到第一待定划分值，提取第一待定划分值的整数位加一得到第二待定划分值；

以灰度最小值为划分起点，以第二待定划分值为划分单位，划分第一预设数量个灰度组，将输入的一组灰度值分别对应到每个灰度组中，选取灰度值的数量分布最多的灰度组设定为灰度比对参数组；

将灰度比对参数组的灰度范围设定为灰度比对参数；

将甲状腺区域划分为整体区域以及点状区域包括：获取二维坐标系中的比对像素点，将相互连接的比对像素点的区域设定为整体待定区域；

获取二维坐标系中整体待定区域的数量，当整体待定区域的数量小于等于第一分布数量阈值时，将整体待定区域设定为整体区域，当整体待定区域的数量大于第一分布数量阈值时，将整体待定区域设定为点状区域；

对若干训练图像的整体区域进行形状特征训练，得到形状比对参数包括：设定外围圆对整体区域进行框选，外围圆为能够将整体区域进完全框选的最小圆；

每次将外围圆的半径缩小第一单位长度得到更新圆，更新圆的圆心与外围圆的圆心保持一致；

将每次得到的更新圆内部的整体区域设定为内部待划分区域，将每次得到的更新圆与外部相邻的更新圆或外围圆之间的整体区域设定为切割区域；

将切割区域中相互连接的比对像素点的区域设定为切割独立区域，统计每一组切割区域的切割独立区域的数量，设定为边缘发散数量；当边缘发散数量小于等于第一独立数量阈值时，停止对更新圆或外围圆的半径进行缩小；

获取若干组边缘发散数量的最大值，设定为整体发散分布数量；

将若干训练图像对应的整体发散分布数量通过形状比对提取方法处理得到整体比对参数，所述整体比对参数包括整体发散分布数量范围；

对若干训练图像的点状区域进行形状特征训练，得到形状比对参数包括：获取训练图像中的点状区域的数量，设定为点状分布数量；

将若干训练图像对应的点状分布数量通过形状比对提取方法处理得到点状比对参数，所述点状比对参数包括点状分布数量范围；

所述形状比对提取方法包括：获取输入的一组分布量的最大值和最小值，分别设定为分布量最大值和分布量最小值；一组分布量包括若干训练图像对应的整体发散分布数量或若干训练图像对应的点状分布数量中的一组；

将分布量最大值减去分布量最小值得到分布量差值，将分布量差值除以第二预设数量得到第一分布量划分值，提取第一分布量划分值的整数位加一得到第二分布量划分值；

以分布量最小值为划分起点，以第二分布量划分值为划分单位，划分第二预设数量个分布量组，将输入的一组分布量分别对应到每个分布量组中，选取分布量的数量分布最多的分布量组设定为分布量比对参数组；

将分布量比对参数组的范围设定为形状比对参数，所述形状比对参数包括整体比对参数以及点状比对参数。

2.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1所述方法中的步骤。

3.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，运行如权利要求1所述方法中的步骤。

说明书

一种基于深度神经网络的甲状腺癌图像比对模型建立方法

技术领域

[0001] 本发明涉及图像识别技术领域，具体为一种基于深度神经网络的甲状腺癌图像比对模型建立方法。

背景技术

[0002] 图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用，通常情况下图像的识别流程分为四个步骤：图像采集、图像预处理、特征提取以及图像识别，深度神经网络是机器学习领域中一种技术，在图像识别的过程中通过深度神经网络对训练样本中的特征进行提取，能够提高图像识别比对的准确性。

[0003] 现有的技术中，在对甲状腺癌图像进行识别过程中，就有采用图像识别的技术进行特征提取比对的，例如在申请公开号为CN112233106A的中国专利中公开了一种基于残差胶囊网络的甲状腺癌超声影像分析方法，该方法就是通过残差胶囊网络对甲状腺癌的超声影像进行分析，得到待识别甲状腺乳头状癌超声图像对应的超声影像分类识别结果，但是该方法仅仅公开了残差胶囊网络对图像进行分析分类的技术，在该方法的步骤S1中原始甲状腺乳头状癌超声图像数据集中的每一张图像均包括形状不规则属性、边界不清晰属性、回声不均匀属性、钙化属性和正常属性中的一个或多个，但是该方法仅仅罗列了上述关于甲状腺癌图像中的特征，缺少对上述特征的具体识别方案，无法通过该方法对甲状腺癌图像进行有效的特征比对识别，因此还需要一种能够对甲状腺癌图像中的特征进行有效提取比对的方法来解决上述问题。

发明内容

[0004] 本发明旨在至少在一定程度上解决现有技术中的技术问题之一，通过对若干甲状腺癌图像进行特征提取，基于提取的特征建立图像比对模型，能够有助于提高图像筛选的特征比对准确性，以解决现有的甲状腺癌图像的识别方法缺少具体的特征提取手段，导致无法进行有效的特征比对识别的问题。

[0005] 为实现上述目的，第一方面本申请提供一种基于深度神经网络的甲状腺癌图像比对模型建立方法，包括：获取若干训练图像，对训练图像中的甲状腺癌区域进行标记，所述训练图像中包括甲状腺癌区域；

[0006] 对甲状腺区域进行灰度特征提取，对若干训练图像的甲状腺区域进行灰度特征训练，得到灰度比对参数；

[0007] 将甲状腺区域划分为整体区域以及点状区域，对若干训练图像的整体区域以及点状区域进行形状特征训练，得到形状比对参数；

[0008] 基于灰度比对参数和形状比对参数建立图像比对模型。

[0009] 进一步地，获取若干训练图像，对训练图像中的甲状腺癌区域进行标记包括：将训练图像进行像素点划分，基于像素点建立二维坐标系；

[0010] 在二维坐标系中将甲状腺癌区域的像素点进行坐标标记，并将甲状腺癌区域的像素点设定为比对像素点。

[0011] 进一步地，对甲状腺区域进行灰度特征提取，对若干训练图像的甲状腺区域进行灰度特征训练，得到灰度比对参数包括：在二维坐标系中将比对像素点之外的像素点设定为外围像素点；

[0012] 将比对像素点与外围像素点相邻的像素点设定为比对轮廓像素点，将外围像素点与比对轮廓像素点相邻的像素点设定为外围相接像素点；

[0013] 计算训练图像中的比对轮廓像素点的灰度的平均值，设定为比对轮廓灰度；计算训练图像中的外围相接像素点的灰度的平均值，设定为外围相接灰度；计算比对轮廓灰度与外围相接灰度的差值的绝对值，设定为灰度比对值；

[0014] 将若干训练图像逐一通过上述步骤进行灰度特征训练得到若干比对轮廓灰度、若干外围相接灰度以及若干灰度比对值；

[0015] 对若干比对轮廓灰度、若干外围相接灰度以及若干灰度比对值分别通过比对参数提取方法处理得到灰度比对参数，所述灰度比对参数包括比对轮廓灰度范围、外围相接灰度范围以及灰度比对值范围。

[0016] 进一步地，所述比对参数提取方法包括：获取输入的一组灰度值的最大值和最小值，分别设定为灰度最大值和灰度最小值；一组灰度值包括若干比对轮廓灰度、若干外围相接灰度或若干灰度比对值中的一组；

[0017] 将灰度最大值减去灰度最小值得到灰度差值，将灰度差值除以第一预设数量得到第一待定划分值，提取第一待定划分值的整数位加一得到第二待定划分值；

[0018] 以灰度最小值为划分起点，以第二待定划分值为划分单位，划分第一预设数量个灰度组，将输入的一组灰度值分别对应到每个灰度组中，选取灰度值的数量分布最多的灰度组设定为灰度比对参数组；

[0019] 将灰度比对参数组的灰度范围设定为灰度比对参数。

[0020] 进一步地，将甲状腺区域划分为整体区域以及点状区域包括：获取二维坐标系中的比对像素点，将相互连接的比对像素点的区域设定为整体待定区域；

[0021] 获取二维坐标系中整体待定区域的数量，当整体待定区域的数量小于等于第一分布数量阈值时，将整体待定区域设定为整体区域，当整体待定区域的数量大于第一分布数量阈值时，将整体待定区域设定为点状区域。

[0022] 进一步地，对若干训练图像的整体区域进行形状特征训练，得到形状比对参数包括：设定外围圆对整体区域进行框选，外围圆为能够将整体区域进完全框选的最小圆；

[0023] 每次将外围圆的半径缩小第一单位长度得到更新圆，更新圆的圆心与外围圆的圆心保持一致；

[0024] 将每次得到的更新圆内部的整体区域设定为内部待划分区域，将每次得到的更新圆与外部相邻的更新圆或外围圆之间的整体区域设定为切割区域；

[0025] 将切割区域中相互连接的比对像素点的区域设定为切割独立区域，统计每一组切割区域的切割独立区域的数量，设定为边缘发散数量；当边缘发散数量小于等于第一独立数量阈值时，停止对更新圆或外围圆的半径进行缩小；

[0026] 获取若干组边缘发散数量的最大值，设定为整体发散分布数量；

[0027] 将若干训练图像对应的整体发散分布数量通过形状比对提取方法处理得到整体比对参数，所述整体比对参数包括整体发散分布数量范围。

[0028] 进一步地，对若干训练图像的点状区域进行形状特征训练，得到形状比对参数包括：获取训练图像中的点状区域的数量，设定为点状分布数量；

[0029] 将若干训练图像对应的点状分布数量通过形状比对提取方法处理得到点状比对参数，所述点状比对参数包括点状分布数量范围。

[0030] 进一步地，所述形状比对提取方法包括：获取输入的一组分布量的最大值和最小值，分别设定为分布量最大值和分布量最小值；一组分布量包括若干训练图像对应的整体发散分布数量或若干训练图像对应的点状分布数量中的一组；

[0031] 将分布量最大值减去分布量最小值得到分布量差值，将分布量差值除以第二预设数量得到第一分布量划分值，提取第一分布量划分值的整数位加一得到第二分布量划分值；

[0032] 以分布量最小值为划分起点，以第二分布量划分值为划分单位，划分第二预设数量个分布量组，将输入的一组分布量分别对应到每个分布量组中，选取分布量的数量分布最多的分布量组设定为分布量比对参数组；

[0033] 将分布量比对参数组的范围设定为形状比对参数，所述形状比对参数包括整体比对参数以及点状比对参数。

[0034] 本发明的有益效果：本发明通过获取若干训练图像，对训练图像中的甲状腺癌区域进行标记，能够便于特征训练时的区域对应精准，提高数据获取的准确性；通过对甲状腺区域进行灰度特征提取，对若干训练图像的甲状腺区域进行灰度特征训练，得到灰度比对参数，通过灰度比对参数能够在图像比对模型中搭建好特征比对的框架，提高特征进行初步比对识别的效率和有效性；

[0035] 本发明通过将甲状腺区域划分为整体区域以及点状区域，对若干训练图像的整体区域以及点状区域进行形状特征训练，得到形状比对参数，再通过形状比对参数能够将通过灰度筛选得到的特征比对区域进一步得到特征比对筛选，从而提高甲状腺癌图像比对识别的有效性和准确性；最后基于灰度比对参数和形状比对参数建立图像比对模型，图像比对模型基于灰度比对参数和形状比对参数进行建立，能够提高实际运用时的图像比对准确性。

[0036] 本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

[0037] 图1为本发明的方法的步骤流程图；

[0038] 图2为本发明的切割独立区域的获取示意图；

[0039] 图3为本发明的训练图像中包含整体区域的示意图；

[0040] 图4为本发明的训练图像中包含点状区域的示意图。

具体实施方式

[0041] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0042] 实施例一请参阅图1所示，一种基于深度神经网络的甲状腺癌图像比对模型建立方法，通过对若干甲状腺癌图像进行特征提取，基于提取的特征建立图像比对模型，能够有助于提高图像筛选的特征比对准确性，以解决现有的甲状腺癌图像的识别方法缺少具体的特征提取手段，导致无法进行有效的特征比对识别的问题。

[0043] 具体地，基于深度神经网络的甲状腺癌图像比对模型建立方法包括如下步骤：步骤S1，获取若干训练图像，对训练图像中的甲状腺癌区域进行标记，训练图像中包括甲状腺癌区域；步骤S1还包括如下子步骤：步骤S101，将训练图像进行像素点划分，基于像素点建立二维坐标系，具体实施时，像素点划分按照宽是1280像素、高是720像素进行划分；

[0044] 步骤S102，在二维坐标系中将甲状腺癌区域的像素点进行坐标标记，并将甲状腺癌区域的像素点设定为比对像素点。

[0045] 步骤S2，对甲状腺区域进行灰度特征提取，对若干训练图像的甲状腺区域进行灰度特征训练，得到灰度比对参数；步骤S2还包括：步骤S2011，在二维坐标系中将比对像素点之外的像素点设定为外围像素点；

[0046] 步骤S2012，将比对像素点与外围像素点相邻的像素点设定为比对轮廓像素点，将外围像素点与比对轮廓像素点相邻的像素点设定为外围相接像素点；

[0047] 步骤S2013，计算训练图像中的比对轮廓像素点的灰度的平均值，设定为比对轮廓灰度；计算训练图像中的外围相接像素点的灰度的平均值，设定为外围相接灰度；计算比对轮廓灰度与外围相接灰度的差值的绝对值，设定为灰度比对值；

[0048] 步骤S2014，将若干训练图像逐一通过步骤S2011至步骤S2013进行灰度特征训练得到若干比对轮廓灰度、若干外围相接灰度以及若干灰度比对值；

[0049] 步骤S2015，对若干比对轮廓灰度、若干外围相接灰度以及若干灰度比对值分别通过比对参数提取方法处理得到灰度比对参数，灰度比对参数包括比对轮廓灰度范围、外围相接灰度范围以及灰度比对值范围，通过得到的比对轮廓灰度范围、外围相接灰度范围以及灰度比对值范围能够在实际的影像比对时便于通过灰度比对参数划定初始的特征区域，有助于提高初步特征提取的效率，从而能够保证降低下一步形状比对的数据处理量的同时，提高数据比对的准确度。

[0050] 比对参数提取方法包括如下步骤：步骤S2021，获取输入的一组灰度值的最大值和最小值，分别设定为灰度最大值和灰度最小值；一组灰度值包括若干比对轮廓灰度、若干外围相接灰度或若干灰度比对值中的一组；

[0051] 步骤S2022，将灰度最大值减去灰度最小值得到灰度差值，将灰度差值除以第一预设数量得到第一待定划分值，提取第一待定划分值的整数位加一得到第二待定划分值；第一预设数量设置为10，例如灰度差值为55时，得到的第一待定划分值为5.5，第二待定划分值为6；

[0052] 步骤S2023，以灰度最小值为划分起点，以第二待定划分值为划分单位，划分第一预设数量个灰度组，将输入的一组灰度值分别对应到每个灰度组中，选取灰度值的数量分布最多的灰度组设定为灰度比对参数组；

[0053] 步骤S2024，将灰度比对参数组的灰度范围设定为灰度比对参数。

[0054] 请参阅图2至图4所示，步骤S3，将甲状腺区域划分为整体区域以及点状区域，图3中，灰色箭头所指的区域为整体区域，图4中白色箭头所指的区域为点状区域，对若干训练图像的整体区域以及点状区域进行形状特征训练，得到形状比对参数；步骤S3还包括：步骤S3011，获取二维坐标系中的比对像素点，将相互连接的比对像素点的区域设定为整体待定区域；

[0055] 步骤S3012，获取二维坐标系中整体待定区域的数量，当整体待定区域的数量小于等于第一分布数量阈值时，将整体待定区域设定为整体区域，当整体待定区域的数量大于第一分布数量阈值时，将整体待定区域设定为点状区域，第一分布数量设置为3，通常情况下整体区域都是连接在一起的，因此第一分布数量的数值不必设置得过大。

[0056] 步骤S3还包括：步骤S3021，设定外围圆对整体区域进行框选，外围圆为能够将整体区域进完全框选的最小圆；

[0057] 步骤S3022，每次将外围圆的半径缩小第一单位长度得到更新圆，更新圆的圆心与外围圆的圆心保持一致；第一单位长度根据像素点的边长进行设定，参照图2所示，更新圆与外围圆的半径相差一个像素点的边长，第一单位长度具体设定为一个像素点的边长；

[0058] 步骤S3023，将每次得到的更新圆内部的整体区域设定为内部待划分区域，将每次得到的更新圆与外部相邻的更新圆或外围圆之间的整体区域设定为切割区域；

[0059] 步骤S3024，将切割区域中相互连接的比对像素点的区域设定为切割独立区域，统计每一组切割区域的切割独立区域的数量，设定为边缘发散数量；当边缘发散数量小于等于第一独立数量阈值时，停止对更新圆或外围圆的半径进行缩小；第一独立阈值设定为3，当边缘发散数量小于等于3时，停止对更新圆或外围圆进行缩小操作；

[0060] 步骤S3025，获取若干组边缘发散数量的最大值，设定为整体发散分布数量；在获取边缘发散数量时，边缘发散数量越多说明整体区域的边缘越不规则，针刺状或其他形状的边缘结构越多；

[0061] 步骤S3026，将若干训练图像对应的整体发散分布数量通过形状比对提取方法处理得到整体比对参数，整体比对参数包括整体发散分布数量范围。

[0062] 步骤S3还包括：步骤S3031，获取训练图像中的点状区域的数量，设定为点状分布数量；点状分布数量越多说明训练图像中的钙化点位越多；

[0063] 步骤S3032，将若干训练图像对应的点状分布数量通过形状比对提取方法处理得到点状比对参数，点状比对参数包括点状分布数量范围。

[0064] 形状比对提取方法包括：步骤S3041，获取输入的一组分布量的最大值和最小值，分别设定为分布量最大值和分布量最小值；一组分布量包括若干训练图像对应的整体发散分布数量或若干训练图像对应的点状分布数量中的一组；

[0065] 步骤S3042，将分布量最大值减去分布量最小值得到分布量差值，将分布量差值除以第二预设数量得到第一分布量划分值，提取第一分布量划分值的整数位加一得到第二分布量划分值；第二预设数量具体设置为5，例如分布量差值为99时，得到的第一分布量划分值为19.8，第二分布量划分值为20；

[0066] 步骤S3043，以分布量最小值为划分起点，以第二分布量划分值为划分单位，划分第二预设数量个分布量组，将输入的一组分布量分别对应到每个分布量组中，选取分布量的数量分布最多的分布量组设定为分布量比对参数组；

[0067] 步骤S3044将分布量比对参数组的范围设定为形状比对参数，形状比对参数包括整体比对参数以及点状比对参数。

[0068] 步骤S4，基于灰度比对参数和形状比对参数建立图像比对模型；具体实施时，将需要比对识别的影像输入图像比对模型中，图像比对模型的处理过程包括：首先将输入的影像通过灰度比对参数中的比对轮廓灰度范围、外围相接灰度范围以及灰度比对值范围进行比对，划分好初步需要进行识别的区域，设定为待识别区域，如果通过灰度比对参数没有提取到待识别区域，则输出无识别特征信号，无识别特征信号表示输入的影像中没有提取到与图像比对模型中的参数相似的特征；再对待识别区域的形状进行比对，通过与形状比对参数中整体比对参数以及点状比对参数进行比对，得到待识别区域的形状划分类型，如果待识别区域在进行形状比对时，与整体比对参数以及点状比对参数都不存在相似之处，则输出无识别特征待定信号，无识别特征待定信号表示影像中可能会存在风险区域，需要人工进行进一步核查。

[0069] 实施例二第二方面，本申请提供一种电子设备，包括处理器以及存储器，存储器存储有计算机可读取指令，当计算机可读取指令由处理器执行时，运行如上任意一项方法中的步骤。通过上述技术方案，处理器和存储器通过通信总线和/或其他形式的连接机构互连并相互通讯，存储器存储有处理器可执行的计算机程序，当电子设备运行时，处理器执行该计算机程序，以执行时执行上述实施例的任一可选的实现方式中的方法，以实现以下功能：首先获取若干训练图像，对训练图像中的甲状腺癌区域进行标记；然后对甲状腺区域进行灰度特征提取，对若干训练图像的甲状腺区域进行灰度特征训练，得到灰度比对参数；再将甲状腺区域划分为整体区域以及点状区域，对若干训练图像的整体区域以及点状区域进行形状特征训练，得到形状比对参数；最后基于灰度比对参数和形状比对参数建立图像比对模型。

[0070] 实施例三第三方面，本申请提供一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时，运行如上任意一项方法中的步骤。通过上述技术方案，计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的方法，以实现以下功能：首先获取若干训练图像，对训练图像中的甲状腺癌区域进行标记；然后对甲状腺区域进行灰度特征提取，对若干训练图像的甲状腺区域进行灰度特征训练，得到灰度比对参数；再将甲状腺区域划分为整体区域以及点状区域，对若干训练图像的整体区域以及点状区域进行形状特征训练，得到形状比对参数；最后基于灰度比对参数和形状比对参数建立图像比对模型。

[0071] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random Access Memory，简称SRAM），电可擦除可编程只读存储器（Electrically Erasable Programmable Read‑Only Memory，简称EEPROM），可擦除可编程只读存储器（Erasable Programmable Read Only Memory，简称EPROM），可编程只读存储器（Programmable Red‑Only Memory，简称PROM），只读存储器（Read‑OnlyMemory，简称ROM），磁存储器，快闪存储器，磁盘或光盘。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

[0072] 在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。