一种基于全局Gabor滤波和局部LBP特征喉癌细胞图像分类方法

一种基于全局gabor滤波和局部lbp特征喉癌细胞图像分类方法
技术领域
1.本发明涉及图像处理技术领域，具体涉及一种基于全局gabor滤波和局部lbp特征喉癌细胞图像分类方法。


背景技术：

2.一个多世纪以前，基本的诊断主要依靠医生根据病人自我诉说、生病症状的经验判断辨别，望闻问切依然是医生们悬壶济世、治病救人的传统手段。随着科学技术的不断进步，近两三百年才出现的现代医学开始了迅猛发展。随着医学科学研究水平的不断提高，新型药物和新式疗法的出现，人类对于疾病出现的原因进行了更深入的了解认识，对于各种疾病的治疗防控方法不断增加，诊疗效果也得到显著的提高。癌症虽然凶猛，治疗方法只有放疗、化疗、靶向药物治疗等寥寥几种，治愈成功率极低，为了能在癌症早期甚至未发展之前就能发现并及时治疗，对癌症的精准识别并分类就是关键。为了能在癌症初期或未发展之前就开始治疗，不至于拖成中期甚至晚期，对癌症的早期诊断就变成了重中之重，如何提高癌症识别的准确度也就成为了一大难题。
3.癌细胞图像分类，是一种根据细胞显露的不同特征，将不同类别的细胞图像区分开来的方法。现有分类方法按照不同特征可以划分为基于颜色特征、基于纹理特征、基于形状特征等几种，在这其中，基于纹理特征的图像分类技术就是对于荧光染色的喉癌图像分类最有效的方法。纹理分类具有强鲁棒性、高精准度、旋转不变性的优点。
4.准确的喉癌细胞分类模型在很大程度上，严重依所提取的细胞特征。gabor滤波提取的特征具有较强的空间性、尺度和方向可调性以及对光照变化不敏感的特性，但是gabor函数往往提取的是图像的全局特征，而细胞的局部细节特征对于准确分类也尤为重要。因此，本发明将可以提取图像局部纹理细节特征的局部二值法(local binary pattern,lbp)与全局特征提取gabor方法结合起来，提出一种准确、有效地对喉癌细胞图像进行分类的算法。


技术实现要素：

5.本发明要解决的技术问题是提供一种基于全局gabor滤波和局部lbp特征喉癌细胞图像分类方法，采用gabor滤波方法和lbp方法分别提取喉癌细胞数据集的全局纹理特征和提取喉癌细胞数据集的局部纹理特征，将全局和局部纹理特征结合起来，训练svm分类器，实现对喉癌细胞图像准确分类。
6.为解决上述技术问题，本发明的实施例提供一种基于全局gabor滤波和局部lbp特征喉癌细胞图像分类方法，包括以下步骤：
7.s1、获取喉癌细胞图像数据集，进行数据预处理；
8.s2、提取图像全局特征信息；
9.s3、提取图像局部特征信息；
10.s4、图像分类器训练；
11.s5、测试图像标签预测，得到测试结果。
12.其中，所述步骤s1的具体步骤为：
13.s1.1、随机打乱数据集合中元素顺序；
14.s1.2、将全部数据集的一部分元素抽取出来作为训练集，另一部分数据元素作为测试集；
15.s1.3、将导入的喉癌细胞图像统一拉伸至50
×
50像素数位大小尺寸并归一化图像像素。
16.其中，所述步骤s1.2中，全部数据集的80％元素抽取出来作为训练集，剩余20％数据元素作为测试集。
17.其中，所述步骤s2包括以下步骤：
18.s2.1、设置40个gabor滤波核，包括5种尺度gabor滤波核和8种角度gabor滤波核；
19.s2.2、循环遍历步骤s2.1中设置的40个gabor滤波核，将每个gabor滤波核与原始图像进行滤波运算得到40个滤波后图像；
20.s2.3、将滤波后gabor图进行矩阵加得到一个50
×
50像素数位大小的gabor全局特征矩阵。
21.进一步，所述步骤s2.1中，5种尺度分别为16像素、32像素、64像素、128像素、256像素，8个角度方向分别为0度、45度、90度、135度、180度、225度、270度、315度。
22.其中，所述步骤s3的具体步骤为：
23.s3.1、将检测窗口定为3
×
3像素数位大小的小区域，对于每个小区域中的中心像素(以窗口中心像素为阈值)，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0，这样，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的lbp(local binary pattern)模式值；
24.s3.2、计算每个小区域的直方图，得到每个lbp模式值出现的频率；
25.s3.3、对每个小区域的直方图进行归一化处理；
26.s3.4、将所有小区域的直方图连接起来，得到整个图像的lbp纹理特征。
27.其中，所述步骤s4的具体步骤为：
28.s4.1、建立svm模型，设置svm的两个超参数c和γ，其中，c的取值为0.1、1和10，γ的取值为0.1,0.2,0.3；
29.s4.2、利用步骤s4.1中超参数的组合进行网格搜索，选择一个拟合最好的超平面系数；
30.s4.3、将将步骤s1中的训练集平均分成五份，轮流将五份中的一份作为验证集来测试模型准确率，然后将五次验证结果取平均值，作为svm分类模型的验证集结果；
31.s4.4、保存验证集最佳的svm超参数模型。
32.本发明上述技术方案的有益效果如下：
33.本发明采用一种基于全局gabor滤波和局部lbp特征的喉癌细胞图像分类算法，结合全局gabor滤波特征与局部lbp特征对荧光染色的喉癌细胞图像进行准确分类，兼具了全局和局部纹理特征提取算法的优势，能有效利用喉癌细胞数据的判别特征，从而实现细胞图像准确的分类。
附图说明
34.图1为本发明流程框架图；
35.图2为本发明中gabor滤波核可视化图；
36.图3为本发明中lbp算子计算示意图。
具体实施方式
37.为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
38.如图1所示，本发明的实施例提供一种基于全局gabor滤波和局部lbp特征喉癌细胞图像分类方法，包括以下步骤：
39.s1、获取喉癌细胞图像数据集，进行数据预处理；
40.s2、提取图像全局特征信息；
41.s3、提取图像局部特征信息；
42.s4、图像分类器训练；
43.s5、测试图像标签预测，得到测试结果。
44.本实施例中，所述步骤s1的具体步骤为：
45.s1.1、随机打乱数据集合中元素顺序；
46.s1.2、将全部数据集的80％元素抽取出来作为训练集，剩余20％数据元素作为测试集；
47.s1.3、将导入的喉癌细胞图像统一拉伸至50
×
50像素数位大小尺寸并归一化图像像素。
48.所述步骤s2的具体步骤为：
49.s2.1、设置gabor核为5种尺度和8种角度，5种尺度为16像素、32像素、64像素、128像素、256像素，8个角度方向为0度、45度、90度、135度、180度、225度、270度、315度，共40个gabor滤波核；
50.s2.2、循环遍历步骤s2.1中设置的40个gabor滤波核，将每个核与原始图像进行滤波运算得到40个滤波后图像；
51.s2.3、将滤波后gabor图进行矩阵加得到一个50
×
50像素数位大小的gabor全局特征矩阵。
52.本发明中gabor滤波核可视化图如图2所示。
53.所述s3的具体步骤为：
54.s3.1、将检测窗口定为3
×
3像素数位大小的小区域，对于每个小区域中的中心像素(以窗口中心像素为阈值)，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0，这样，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的lbp(local binary pattern)模式值；
55.s3.2、计算每个小区域的直方图，得到每个lbp模式值出现的频率；
56.s3.3、对每个小区域的直方图进行归一化处理；
57.s3.4、将所有小区域的直方图连接起来，得到整个图像的lbp纹理特征。
58.本发明中lbp算子计算示意图如图3所示。
59.所述步骤s4的具体步骤为：
60.s4.1、建立svm模型，设置svm的两个超参数c和γ，其中，c的取值为0.1、1和10，γ的取值为0.1,0.2,0.3；
61.s4.2、利用步骤s4.1中超参数的组合进行网格搜索，选择一个拟合最好的超平面系数；
62.s4.3、将步骤s1中的训练集平均分成五份，轮流将五份中的一份作为验证集来测试模型准确率，然后将五次验证结果取平均值，作为svm分类模型的验证集结果；
63.s4.4、保存验证集最佳的svm超参数模型。
64.本发明用5个尺度和8个方向的gabor滤波器对图像进行多尺度多方法滤波。gabor滤波器只允许相应于其频率的图片纹理能够顺畅地通过，而其他纹理的能量会受到抑制，从而使其难以穿越，基于这一特点，可以将gabor滤波器的频率对应图像的纹理频率，利用多尺度、多方向的gabor滤波器滤出图像在不同尺度和方向上的全局纹理特征。先用提取40个gabor核的不同特征，再用将所有特征进行矩阵加，达到特征选择的全局特征提取目的。
65.另外，本发明采用lbp方法提取特征具有简单易算、灰度不变性和旋转不变性等显著优点。与其特征提取方法相比，用lbp提取出的局部特征，一定程度上消除了光照变化的问题、具有旋转不变性、纹理特征维度低，计算速度快等优势。此外，局部lbp与全局gabor滤波相结合可以达到局部全局和特征全面提取的效果。
66.以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。