待处理图像区域的噪声；
[0041] b.基于视觉感知的颜色空间转换
[0042] 步骤a中得到的预处理RGB图像是基于设备的颜色空间，将其转换到基于视觉感 知的Luv颜色空间；
[0043] c.特征显著图的提取
[0044] 以步骤b得到的Luv颜色空间图像的u、v分量作为输入，计算颜色特征显著图 uv (c，s)，以L分量作为输入计算亮度特征显著图L (c，s)，然后使用拉普拉斯变换算法，提 取图像中的边沿，并采用虚连的方法，得到图像中显著内容的边沿区域，计算轮廓特征显著 图 0(c, s);
[0045] d.特征显著图融合与合成
[0046] 对步骤c所得到的颜色特征显著图uv(c，s)，亮度特征显著图L(c，s)，轮廓特征显 著图0(c，s)分别在多尺度下进行规则化运算，然后进行各个特征显著图的融合，得到图像 的显著度图S;
[0047] e，显著区域的选择与转移
[0048] 以步骤d中所得到的显著图中为输入，采用蚀刻算法过滤掉面积较小的显著区 域，然后按照区域面积大小的顺序排列显著度程度，即疑是病灶区域，最后计算病灶区域的 种子值，供后续的模式识别使用，以筛除或确认病灶的类别。
[0049] 进一步，步骤a中，内窥图像视野平滑处理过程如下：先将数字图像坐标原点 (〇,〇)平移至图像几何原点（-256/2,-256/2)处，然后对图像内像素进行扫描，当其距几何 原点的长度大于胶囊内窥系统视野半径128时，则将其过滤为图像视野之外。
[0050] 采用中值滤波器算法对胶囊内窥图像进行预处理，滤除内窥图像中的噪声。
[0051] 再进一步，所述步骤c中，特征显著图的提取过程采用基于Itti模型算法，采用 Center-Surround算子Θ对亮度显著图L(c, s)、颜色显著图uv(c, s)、轮廓显著图0(c, s) 分别进行特征计算，其计算过程为：
[0052] L (c，s) = | L (c) Θ L (s) |
[0053] uv(c, s) = I (u (c)-v (c)) Θ (v (s)-v (s))
[0054] 0(c, s) = | 0(c) 0〇(s)
[0055] 其中中心尺度取c = {2, 3, 4}，四周尺度取s = {2, 6, 8}。
[0056] 更进一步，所述步骤d中，特征显著图融合与合成的过程如下：首先采用规则 化算子N( ·)分别对各个通道的特征显著图进行计算，得到该特征通道的综合显著图 N (L (c，s))、N (uv (c，s))、N (0 (c，s))，然后将各个通道的显著图进行融合，得到各个通道的 显著度融合图Z、其计算过程如下：
[0060] 再然后将各分量的显著度融合图?、： 、孓采用规则化算子N( ·)得到规则化 的显著图融合图#0-)、#(石),最后合并为综合的视觉显著度图s，其计算公式如 下：
[0062] 所述的规则化算子Ν( ·)的计算过程如下：首先遍历图中的像素，寻找全局最大值 Μ，并将图中的显著度值按比例规则化到固定区域[0，Μ]，然后分别计算区域的局部最大值 的平均值；，并将图中每个位置的值乘以放大系数
[0063] 所述步骤e中，所述的区域种子值计算采用中位数的统计方法，在步骤e中所确定 的疑似病灶区域内统计各个像素L，u，v分量的中位数M(L)，M(u)，M(v)，然后使用该中位数 构造基于视觉感知颜色空间的像素值P (M (L)，M (u)，M (v))作为种子值。
[0064] 最后，还需要注意的是，以上列举的仅是本发明的一个具体实施例。显然，本发明 不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直 接导出或联想到的所有变形，均应认为是本发明的保护范围。
【主权项】
1. 一种基于视觉注意机制的内窥图像中病灶定位方法，其特征在于：所述定位方法包 括如下步骤： a. 内窥图像视野边沿平滑与去噪预处理 将内窥镜检测视频输入，分幅得到单幅内窥图像，首先按内窥镜的视野参数将图像的 边沿黑边平滑处理，得到边界清晰的内窥图像，然后进行圆形图像区域的去噪预处理，去掉 待处理图像区域的噪声； b. 基于视觉感知的颜色空间转换 步骤a中得到的预处理RGB图像是基于设备的颜色空间，将其转换到基于视觉感知的 Luv颜色空间； c. 特征显著图的计算 以步骤b得到的Luv颜色空间图像的u、V分量作为输入，计算颜色特征显著图 uv (c，s)，以L分量作为输入计算亮度特征显著图L (c，s)，然后使用拉普拉斯变换算法，提 取图像中的边沿，并采用虚连的方法，得到图像中显著内容的边沿区域，计算轮廓特征显著 图 0(c, s); d. 特征显著图融合与合成 对步骤C所得到的颜色特征显著图UV (c，s)，亮度特征显著图L (c，s)，轮廓特征显著图 〇(c，s)分别在多尺度下进行规则化运算，然后进行各个特征显著图的融合，得到图像的显 著度图S ; e，显著区域的选择与转移 以步骤d中所得到的显著图中为输入，采用蚀刻算法过滤掉面积较小的显著区域，然 后按照区域面积大小的顺序排列显著度程度，即疑似病灶区域，最后计算病灶区域的种子 值，供后续的模式识别使用，以筛除或确认病灶的类别。2. 如权利要求1所述的基于视觉注意机制的内窥图像中病灶定位方法，其特征在于： 所述步骤a中，内窥图像视野平滑处理过程如下：先将数字图像坐标原点（0, 0)平移至图像 几何原点（_L/2，_M/2)处，其中L，M分别图像的长和宽，然后对图像内像素进行扫描，当其 距几何原点的距离大于胶囊内窥系统视野半径R时，则将其过滤为图像视野之外。3. 如权利要求2所述的基于视觉注意机制的内窥图像中病灶定位方法，其特征在于： 所述步骤a中，内窥图像去噪预处理过程采用中值滤波器算法。4. 如权利要求1~3之一所述的基于视觉注意机制的内窥图像中病灶定位方 法，其特征在于：所述步骤c中，特征显著图的提取过程采用基于Itti模型算法，采用 Center-Surround算子Θ分别计算亮度特征显著图L (c, s)、颜色特征显著图uv (c, s)、轮廓 特征显著图0 (c，s)，其计算过程为：其中中心尺度取c = {2, 3, 4}，四周尺度取s = {2, 6, 8}。5. 如权利要求1~3之一所述的基于视觉注意机制的内窥图像中病灶定位方法，其特 征在于：所述步骤d中，特征显著图融合与合成的过程如下：首先采用规则化算子N( ·)分 别对各个通道的特征显著图进行计算，得到该特征通道的规则化综合显著图N(L(c，s))、 N(uv (c，s))、N(0 (c，s))，然后将各个通道的显著图进行融合，得到各个通道的显著度融合 图其计算过程如下：再然后将各分量的融合显著度图采用规则化算子N( ·)得到规则化的显著 图融合图，最后合并为综合的视觉显著度图S，其计算公式如下：6. 如权利要求5基于视觉注意机制的内窥图像中病灶定位方法，其特征在于：所述的 规则化算子N( ·)的计算过程如下：首先遍历图中的像素，寻找全局最大值M，并将图中的 显著度值按比例规则化到固定区域[〇，M]，然后分别计算区域的局部最大值的平均值忑，并 将图中每个位置的值乘以放大系数。7. 如权利要求1~3之一所述的基于视觉注意机制的内窥图像中病灶定位算法，其特 征在于：所述步骤e中，所述的区域种子值计算采用中位数的统计方法，在步骤e中所确定 的疑是病灶区域内统计各个像素L，u，V分量的中位数M(L)，M(u)，M(v)，然后使用该中位数 构造基于视觉感知颜色空间的像素值P (M (L)，M (u)，M (V))作为种子值。
【专利摘要】一种基于视觉注意机制的内窥图像中病灶定位方法，包括如下步骤：内窥图像视野边沿平滑与去噪预处理；基于视觉感知的颜色空间转换；各通道特征显著图的计算；特征显著图融合与合成；种子值计算与显著区域的选择与转移。本发明算法基于人类视觉注意机制，将提高内窥图像中病灶区域确定的准确度；将滤除那些非显著的图像区域，并且按照视觉显著度程度排列待识别区域，将极大地降低模式识别的计算量；基于视觉感知的颜色Luv空间，最大程度地利用了内窥图像的颜色信息，而颜色信息是病灶区域诊断的重要信息，从而提高了病灶区域确定的准确度和特异度。
【IPC分类】G06T7/00, G06K9/46
【公开号】CN105354852
【申请号】CN201510845326
【发明人】潘国兵, 汤文轩, 欧阳静, 陈金鑫
【申请人】浙江工业大学
【公开日】2016年2月24日
【申请日】2015年11月27日