基于关键点检测的nbi胃镜图像处理方法
【专利摘要】基于关键点检测的NBI胃镜图像处理方法对经过预处理后的胃镜图像使用SIFT算法提取关键点，然后提取部分NBI胃镜图像作为训练集，将训练集中所有关键点组成特征袋，并使用聚类算法生成视觉词典。根据实际词典对单幅NBI胃镜图像进行关键点归类统计作为全局特征。最后采用训练过的分类器对单幅NBI胃镜图像的全局特征进行识别。从而完成NBI胃镜图像的识别过程，由于SFIT算法对具有复杂成像环境、胃液及食物残渣干扰的NBI胃镜图像有良好的鲁棒性，从而使得NBI胃镜图像的识别准确率增高，且降低了计算复杂度。
【专利说明】基于关键点检测的NBI胃镜图像处理方法
[0001]技术邻域
[0002]本发明涉及图像识别，特别是涉及一种基于关键点检测的NBI胃镜图像处理方法。
【背景技术】
[0003]胃镜图像的计算机识别技术已发展多年。如为减少复杂环境的影响，将图像平均分成多块，然后提取局部颜色特征进行分类识别。目前在众多的研宄中，灰度纹理特征得到广泛应用，例如局部二值模式(LBP，Local Binary Patterns)，纹理频谱以及小波域共生矩阵(WDCMF，Wavelet Domain Co-occurrence Matrix Features，这些方法各自发挥着自己的优势。针对胃镜图像的计算机识别系统大多是基于胃镜图像的成像分析，一般胃镜图像对比度较低，分析难度提高，导致胃镜图像的识别过程慢且准确率低。
【发明内容】
[0004]基于此，有必要针对提供一种灵敏度尚、识别准确率尚的基于关键点检测的NBI胃镜图像处理方法
[0005]一种基于关键点检测的NBI胃镜图像处理方法，包括以下步骤:
[0006]对NBI胃镜图像数据进行预处理，并将NBI胃镜图像转换到灰度空间；
[0007]对预处理后的NBI胃镜图像使用SIFT算法提取关键点；
[0008]提取部分NBI胃镜图像作为训练集，将训练集中所有关键点组成特征袋，并使用聚类算法生成视觉词典；
[0009]根据所述视觉词典对单幅NBI胃镜图像进行关键点归类统计作为全局特征向量；
[0010]采用训练过的分类器对单幅NBI胃镜图像的全局特征进行识别。
[0011]在其中一个实施例中，所述对NBI胃镜图像数据进行预处理，并将NBI胃镜图像转换到灰度空间的步骤包括:
[0012]采用中值滤波与小波去噪联合对NBI胃镜图像进行去噪处理；
[0013]将进行去噪处理后的NBI胃镜图像由RGB色度空间转换到灰度空间。
[0014]在其中一个实施例中，所述对预处理后的NBI胃镜图像使用SIFT算法提取关键点的步骤包括:
[0015]根据转换到灰度空间的NBI胃镜图像与高斯函数卷积、降采样获得高斯金字塔图像；
[0016]将相邻两层的高斯图像相减获得高斯差分图像，并在所述高斯差分图像上检测关键点，并根据邻域像素确定关键点的主方向；
[0017]根据所述关键点的主方向生成关键点描述子。
[0018]在其中一个实施例中，所述根据所述关键点的主方向生成关键点描述子的步骤包括:
[0019]取关键点的16*16邻域，并分为4*4的子区域；
[0020]对每个子区域获取维度为8的梯度直方图；
[0021]将所有子区域的梯度直方图组成关键点描述子。
[0022]在其中一个实施例中，所述将NBI胃镜图像训练集中所有关键点组成特征袋的步骤包括:
[0023]将NBI胃镜图像组成训练集，并提取训练集中NBI胃镜图像的关键点；
[0024]将所有关键点组成特征袋。
[0025]在其中一个实施例中，所述使用聚类算法生成视觉词典的步骤包括:
[0026]使用硬聚类算法生成尺寸为10、20...、90的视觉词典，其中，所述硬聚类算法的聚类中心个数分别为10、20...、90。
[0027]在其中一个实施例中，所述根据所述视觉词典对单幅NBI胃镜图像进行关键点归类统计作为全局特征向量的步骤包括:
[0028]根据视觉词典分别对单幅NBI胃镜图像进行关键点归类统计并计算出直方图；
[0029]以所述直方图作为单幅NBI胃镜图像的全局特征。
[0030]在其中一个实施例中，还包括训练样本对建立的分类模型进行训练；
[0031]训练完成的分类器对待测试的NBI胃镜图像进行分类识别。
[0032]在其中一个实施例中，所述采用训练过的分类器对单幅NBI胃镜图像的全局特征进行识别的步骤包括:
[0033]获取待测试的NBI胃镜图像的全局特征；
[0034]采用训练完成的分类器对待测试的NBI胃镜图像进行分类识别。
[0035]上述基于关键点检测的NBI胃镜图像处理方法对经过预处理后的胃镜图像使用SIFT算法提取关键点，然后提取部分NBI胃镜图像作为训练集，将训练集中所有关键点组成特征袋，并使用聚类算法生成视觉词典。根据实际词典对单幅NBI胃镜图像进行关键点归类统计作为全局特征。最后采用训练过的分类器对单幅NBI胃镜图像的全局特征进行识另O。从而完成NBI胃镜图像的识别过程，由于SFIT算法对具有复杂成像环境、胃液及食物残渣干扰的NBI胃镜图像有良好的鲁棒性，从而使得NBI胃镜图像的识别准确率增高，且降低了计算复杂度。
【专利附图】
【附图说明】
[0036]图1为基于关键点检测的NBI胃镜图像处理方法的流程图；
[0037]图2(a)为一个实施例中NBI胃镜图像的原图；
[0038]图2(b)为对图2(a)中NBI胃镜图像关键点提取的结果示意图；
[0039]图3(a)为又一个实施例中NBI胃镜图像的原图；
[0040]图3(b)为对图3(a)中NBI胃镜图像关键点提取的结果示意图；
[0041]图4为一个实施例中BOF算法输出的全局特征直方图。
【具体实施方式】
[0042]NBI (Narrow Band Imaging)即窄带成像，是一种新兴的内窥镜成像技术，它是利用滤光器过滤掉内镜光源所发出的红蓝绿光波中的宽带光谱，仅留下窄带光谱用于诊断消化道各种疾病。采用NBI获取的胃内膜图像数据图像称之为NBI胃镜图像。
[0043]如图1所示，为基于关键点检测的NBI胃镜图像处理方法的流程图。
[0044]一种基于关键点检测的NBI胃镜图像处理方法，包括以下步骤:
[0045]步骤S110，对NBI胃镜图像数据进行预处理，并将NBI胃镜图像转换到灰度空间。
[0046]步骤SllO包括:
[0047]采用中值滤波与小波去噪联合对NBI胃镜图像进行去噪处理；
[0048]将进行去噪处理后的NBI胃镜图像由RGB(R(red，红色)、G(green，绿色)、B(blue，蓝色))色度空间转换到灰度空间。
[0049]NBI胃镜图像中包含干扰噪声，一般需要去噪处理。在本实施例中，采用中值滤波和小波去噪联合去噪方法。
[0050]原始NBI胃镜图像为彩色的，即RGB色度空间。而实际处理中需要使用NBI胃镜图像的灰度图。因此，将NBI胃镜图像转换到灰度空间。
[0051]SIFT (Scale-1nvariant feature transform，角点检测技术)算法是一种计算机视觉的算法，用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。
[0052]步骤S120，对预处理后的NBI胃镜图像使用SIFT算法提取关键点。
[0053]步骤S120包括:
[0054]①根据转换到灰度空间的NBI胃镜图像与高斯函数卷积、降采样获得高斯金字塔图像。
[0055]②将相邻两层的高斯图像相减获得高斯差分图像，并在所述高斯差分图像上检测关键点，并根据邻域像素确定关键点的主方向。
[0056]③根据所述关键点的主方向生成关键点描述子。
[0057]在本实施例中，首先构建图像的高斯金字塔，其中高斯金字塔通过NBI胃镜图像与高斯函数卷积、降采样来获得。然后检测关键点。由于每一个采样点要和它所有的相邻点比较，其中相邻点为和采样点同尺度的8个相邻点和上下相邻尺度对应的9*2个点，共26个。如果比较显示为极值点，则为要检测的关键点。
[0058]然后通过统计关键点邻域像素的梯度来确定关键点的主方向，该步骤的目的使得SIFT算法具有旋转不变性。最后根据关键点的主方向生成关键点描述子。每个关键点描述子由128维的特征向量组成。
[0059]具体的，根据所述关键点的主方向生成关键点描述子的步骤包括:
[0060]取关键点的16*16邻域，并分为4*4的子区域。
[0061]对每个子区域获取维度为8的梯度直方图。
[0062]将所有子区域的梯度直方图组成关键点描述子。
[0063]如图2(a)和(b)所示，分别为一个实施例中NBI胃镜图像的原图，和该NBI胃镜图像关键点提取的结果图。
[0064]如图3(a)和(b)所示，分别为又一个实施例中NBI胃镜图像的原图，和该NBI胃镜图像关键点提取的结果图
[0065]从上述四个图像对比可知，不同类型原图提取出来的关键点分布特征不同，因此，可以通过提取原图的关键点来判断原图对应的类型。
[0066]在其他实施例中，SIFT关键点还可以用通过对图像进行随机抽样、稠密抽样以及显著区域检测等方式完成提取。
[0067]步骤S130-步骤S140为采用BOF算法生成NBI胃镜图像的全局特征向量。
[0068]BOF(Bag of Feature)是一种用于图像或视频检索的技术，它将局部特征集合整体考虑，根据视觉码书量化局部特征并将其标记为视觉词汇，同时局部特征集被映射成一个关键词频率分布的直方图。因此概括的来说，BOF就是生成每幅图像的“条形码”来进行检索。
[0069]步骤S130，提取部分NBI胃镜图像作为训练集，将训练集中所有关键点组成特征袋，并使用聚类算法生成视觉词典。
[0070]步骤S130包括:
[0071]将部分NBI胃镜图像组成训练集，并提取训练集中NBI胃镜图像的关键点；
[0072]将所有关键点组成特征袋。
[0073]所述使用聚类算法生成视觉词典的步骤包括:
[0074]使用硬聚类算法生成尺寸为10、20...、90的视觉词典，其中，所述硬聚类算法的聚类中心个数分别为10、20...、90。
[0075]在一个实施例中，采用步骤S130具体为:将NBI胃镜图像训练集中所有关键点组成特征袋，然后使用K-mean(硬聚类算法)聚类(其中聚类中心的个数分别为10、20...、90);即分别生成尺寸为10、20...、90的视觉词典。然后通过可以视觉词典分别获取单幅NBI胃镜图像的全局特征向量。
[0076]步骤S140，根据所述视觉词典对单幅NBI胃镜图像进行关键点归类统计作为全局特征向量。
[0077]步骤S140包括:
[0078]根据视觉词典分别对单幅NBI胃镜图像进行关键点归类统计并计算出直方图。
[0079]以所述直方图作为单幅NBI胃镜图像的全局特征。
[0080]如图4所示，为BOF算法输出的全局特征向量直方图。其中，视觉词典的尺寸为40。通过直方图能够确定NBI胃镜图像的分类特征，从而能够被训练过的分类器识别。
[0081]步骤S150，采用训练过的分类器对单幅NBI胃镜图像的全局特征进行识别。
[0082]在本实施例中，获取了全局特征的NBI胃镜图像能够被训练过的分类器识别。
[0083]基于关键点检测的NBI胃镜图像处理方法还包括:
[0084]训练样本对建立的分类模型进行训练。
[0085]训练完成的分类器对待测试的NBI胃镜图像进行分类识别。
[0086]分类器需要事先采用已知类型的NBI胃镜图像训练完成。
[0087]步骤S150包括:
[0088]获取待测试的NBI胃镜图像的全局特征。
[0089]采用训练完成的分类器对待测试的NBI胃镜图像进行分类识别。
[0090]基于上述所有实施例，基于关键点检测的NBI胃镜图像处理方法的实施过程为:
[0091]首先使用NBI内窥镜获取胃内膜图像数据，即NBI胃镜图像。对采集的NBI胃镜图像进行预处理去除噪声，并将其由RGB空间转换到灰度空间。然后对经过预处理的NBI胃镜图像使用SIFT算法进行关键点提取。再根据关键点构建视觉词典，构建视觉词典完成后，可以根据视觉词典对每幅NBI胃镜图像进行关键点归类统计得出关键点描述子直方图作为最终的分类特征。最后采用训练完成的分类器对待测试的NBI胃镜图像进行分类识另O。从而实现NBI胃镜图像的识别处理。上述方法在保证灵敏度(真阳性检出率)的同时，具有较低的假阳性检出率，从而为减少医院资源浪费，同时也为病人节约了后续检查成本。
[0092]上述基于关键点检测的NBI胃镜图像处理方法对经过预处理后的胃镜图像使用SIFT算法提取关键点，然后提取部分NBI胃镜图像作为训练集，将训练集中所有关键点组成特征袋，并使用聚类算法生成视觉词典。根据实际词典对单幅NBI胃镜图像进行关键点归类统计作为全局特征。最后采用训练过的分类器对单幅NBI胃镜图像的全局特征进行识另O。从而完成NBI胃镜图像的识别过程，由于SFIT算法对具有复杂成像环境、胃液及食物残渣干扰的NBI胃镜图像有良好的鲁棒性，从而使得NBI胃镜图像的识别准确率增高，且降低了计算复杂度。
[0093]以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0094]以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本邻域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
【权利要求】
1.一种基于关键点检测的NBI胃镜图像处理方法，包括以下步骤: 对NBI胃镜图像数据进行预处理，并将NBI胃镜图像转换到灰度空间； 对预处理后的NBI胃镜图像使用SIFT算法提取关键点； 提取部分NBI胃镜图像作为训练集，将训练集中所有关键点组成特征袋，并使用聚类算法生成视觉词典； 根据所述视觉词典对单幅NBI胃镜图像进行关键点归类统计作为全局特征向量； 采用训练过的分类器对单幅NBI胃镜图像的全局特征进行识别。
2.根据权利要求1所述的基于关键点检测的NBI胃镜图像处理方法，其特征在于，所述对NBI胃镜图像数据进行预处理，并将NBI胃镜图像转换到灰度空间的步骤包括: 采用中值滤波与小波去噪联合对NBI胃镜图像进行去噪处理； 将进行去噪处理后的NBI胃镜图像由RGB色度空间转换到灰度空间。
3.根据权利要求1所述的基于关键点检测的NBI胃镜图像处理方法，其特征在于，所述对预处理后的NBI胃镜图像使用SIFT算法提取关键点的步骤包括: 根据转换到灰度空间的NBI胃镜图像与高斯函数卷积、降采样获得高斯金字塔图像；将相邻两层的高斯图像相减获得高斯差分图像，并在所述高斯差分图像上检测关键点，并根据邻域像素确定关键点的主方向； 根据所述关键点的主方向生成关键点描述子。
4.根据权利要求4所述的基于关键点检测的NBI胃镜图像处理方法，其特征在于，所述根据所述关键点的主方向生成关键点描述子的步骤包括: 取关键点的16*16邻域，并分为4*4的子区域； 对每个子区域获取维度为8的梯度直方图； 将所有子区域的梯度直方图组成关键点描述子。
5.根据权利要求1所述的基于关键点检测的NBI胃镜图像处理方法，其特征在于，所述将NBI胃镜图像训练集中所有关键点组成特征袋的步骤包括: 将NBI胃镜图像组成训练集，并提取训练集中NBI胃镜图像的关键点； 将所有关键点组成特征袋。
6.根据权利要求1所述的基于关键点检测的NBI胃镜图像处理方法，其特征在于，所述使用聚类算法生成视觉词典的步骤包括: 使用硬聚类算法生成尺寸为10、20...、90的视觉词典，其中，所述硬聚类算法的聚类中心个数分别为10、20…、90。
7.根据权利要求1所述的基于关键点检测的NBI胃镜图像处理方法，其特征在于，所述根据所述视觉词典对单幅NBI胃镜图像进行关键点归类统计作为全局特征向量的步骤包括: 根据视觉词典分别对单幅NBI胃镜图像进行关键点归类统计并计算出直方图； 以所述直方图作为单幅NBI胃镜图像的全局特征。
8.根据权利要求1所述的基于关键点检测的NBI胃镜图像处理方法，其特征在于，还包括训练样本对建立的分类模型进行训练； 训练完成的分类器对待测试的NBI胃镜图像进行分类识别。
9.根据权利要求8所述的基于关键点检测的NBI胃镜图像处理方法，其特征在于，所述采用训练过的分类器对单幅NBI胃镜图像的全局特征进行识别的步骤包括: 获取待测试的NBI胃镜图像的全局特征； 采用训练完成的分类器对待测试的NBI胃镜图像进行分类识别。
【文档编号】G06K9/54GK104463182SQ201410714561
【公开日】2015年3月25日 申请日期:2014年11月28日 优先权日:2014年11月28日
【发明者】周丰丰, 刘记奎, 赵苗苗, 葛瑞泉, 王普 申请人:深圳先进技术研究院