[0047]步骤S202a:采用形态学滤波中的腐蚀与膨胀处理，对灰度图像先后进行闭运算和 开运算，以滤除图像中的噪声，获得预处理图像；
[0048]步骤S203a:将预处理图像的膨胀减去腐蚀，获得保留有原图像边缘和轮廓的消噪 图像；
[0049]步骤S204a:将消噪图像再通过腐蚀与膨胀运算方法提取异常病变图像的纹理特 征Kt，具体为:将消噪图像进行η次开运算和η次闭运算，得到异常病变图像的纹理特征Kt; [0050] (2)所述异常病变图像的光谱特征的提取方法为：
[00511步骤S201b:将异常病变图像数据库中图像的颜色空间转换为HSV，H代表色相角，S 代表饱和度，V代表亮度，具体为：
[0052] 设(R，G，B)分别是一个颜色的红、绿和蓝坐标，它们的值是在0到1之间的实数;设 max等价于R，G和B中的最大者，min等价于R，G和B中的最小者;Η为色相角且He [0, 360)度， S为饱和度且S e [0，1 ]，V为亮度，转换公式为：
[0055] V=max[0056] 步骤S202b:计算整幅图像HSV的平均值77石7 ,最大值MAXHSV，最小值MINHSV，标准差 〇和方差DX;[0057] 步骤S203b:以^^^~吞尿^六乂挪^^^娜…^乂作为光谱特征值^勾建一维的光谱
[0053]
[0054] 特征向量1 = (//，乂匕7/"石；：./^义;/、.,，从/;/,/、.,^,￡)；^)、即为光谱特征1( 3;
[0058] 步骤S3:基于步骤S2获得的异常病变图像的纹理特征Kt和光谱特征Ks，引入RBF核 函数K(x，x〇=exp(-P| |x-x1 |2)，式中，X为纹理特征向量或光谱特征向量Y为核函数中 心，
，〇为核宽度，构建基于高斯径向基RBF的纹理核Kt与光谱核K s的组合核函数K 为：
[0059] Κ = βΚ?+(1-β)Κ8
[0060] 式中：β为组合核函数Κ的权值系数；
[0061] 步骤S4:由已知包含异常病变特征图像和正常无病变图像组成训练样本集，使用 步骤S3的组合核函数Κ作为SVM学习模型的核函数，构建基于RBF核函数的SVM学习模型进行 训练：
[0062]
[0063]式中：Xi为模型的输入向量，即为纹理特征向量或光谱特征向量;X为输入向量通 过组合核函数计算映射得到的高维空间属性；1是训练样本数，<^为辅助变量拉格朗日算 子，0<ai<C，C是对错分样本的惩罚系数;b为分类阀值; yi为分类标记，其中，yi = 0或1，即0 表示正常无病变的图像，1表示异常病变特征的图像；
[0064]步骤S5:通过10折交叉验证的方法对SVM学习模型中的惩罚系数C和RBF核宽度〇进 行优化选择，取最优惩罚系数值为最优拉格朗日算子a*，即最优权值a*，获得如下所示的 SVM分类预测模型f(X):
[0065]
[0066]
[006 7 ] 少骤b b : 1史用少骤b b tf」力、失观测悮Μ河ff恆测tf」肷囊内窥镜图像进行分类，当f (X)>〇时，表示待检测图像为有异常病变特征的图像，标记为1;当f(X)<〇时，表示待检测 图像为正常无病变的图像，标记为0,从而将有异常病变特征的图像和正常无病变的图像区 分开；
[0068]步骤S7:将步骤S6中标记为1的图像作为学习样本，加入步骤S1的异常病变图像库 中，通过不断学习和训练分类预测模型f(X)，逐步提高分类精度。
【主权项】
1. 一种基于SVM的胶囊内窥镜图像分类方法，其特征在于，包括W下步骤： 步骤SI:建立胶囊内窥镜异常病变图像库:所述异常病变图像库包括标准病例图像； 步骤S2:提取异常病变图像库中图像的纹理特征Kt和光谱特征Ks; 步骤S3:基于步骤S2获得的异常病变图像的纹理特征Kt和光谱特征Ks,引入RBF核函数K (x，x'）=e邱(-P||x-x' I I2)，式中，X为纹理特征向量或光谱特征向量，X'为核函数中屯、，，口为核宽度，构建基于高斯径向基RBF的纹理核Kt与光谱核Ks的组合核函数K为： K =化 t+(l-0 化 S 式中:e为组合核函数K的权值系数； 步骤S4:由已知包含异常病变特征图像和正常无病变图像组成训练样本集，使用步骤 S3的组合核函数K作为SVM学习模型的核函数，构建基于RBF核函数的SVM学习模型进行训 练：式中：xi为模型的输入向量，即为纹理特征向量或光谱特征向量;X为输入向量通过组合 核函数计算映射得到的高维空间属性;1是训练样本数，Qi为辅助变量拉格朗日算子，〇<曰1 <C，C是对错分样本的惩罚系数;b为分类阀值;y功分类标记，其中，yi = 0或1，即O表示正常 无病变的图像，1表示异常病变特征的图像； 步骤S5:通过交叉验证的方法对SVM学习模型中的惩罚系数C和RBF核宽度O进行优化选 择，取最优惩罚系数值C为最优拉格朗日算子a*，即最优权值a*，获得如下所示的SVM分类预 测模型f (X): /式中，占* = -E".)',心八，yiE{o，i}; /-.1 步骤S6:使用步骤S5的分类预测模型对待检测的胶囊内窥镜图像进行分类，当f(X)>0 时，表示待检测图像为有异常病变特征的图像，标记为1;当f(X)<0时，表示待检测图像为 正常无病变的图像，标记为0,从而将有异常病变特征的图像和正常无病变的图像区分开； 步骤S7:将步骤S6中标记为1的图像作为学习样本，加入步骤Sl的异常病变图像库中， 通过不断学习和训练分类预测模型f (X)，逐步提高分类精度。2. 根据权利要求1所述的一种基于SVM的胶囊内窥镜图像分类方法，其特征在于，所述 步骤S2中，异常病变图像的纹理特征的提取方法为： 步骤S201a:将异常病变图像库中图像转换为灰度图像； 步骤S202a:采用形态学滤波中的腐蚀与膨胀处理，对灰度图像先后进行闭运算和开运 算，W滤除图像中的噪声，获得预处理图像； 步骤S203a:将预处理图像的膨胀减去腐蚀，获得保留有原图像边缘和轮廓的消噪图 像； 步骤S204a:将消噪图像再通过腐蚀与膨胀运算方法提取异常病变图像的纹理特征Kt。3. 根据权利要求2所述的一种基于SVM的胶囊内窥镜图像分类方法，其特征在于，所述 步骤S204a中，腐蚀与膨胀运算方法为:将消噪图像进行n次开运算和n次闭运算，得到异常 病变图像的纹理特征Kt。4. 根据权利要求1所述的一种基于SVM的胶囊内窥镜图像分类方法，其特征在于，所述 步骤S2中，异常病变图像的光谱特征的提取方法为： 步骤S2(Ub:将异常病变图像数据库中图像的颜色空间转换为HSV，H代表色相角，S代表 饱和度，V代表亮度； 步骤S202b:计算整幅图像HSV的平均值77死，最大值MA抽SV，最小值MINhsv，标准差O和方 差DX; 步骤S203b: WH、S、V、77亦、MA抽sv、MINhsv、日、DX作为光谱特征值，构建8维的光谱特征向 量X =俾，【/'，77^, 乂…，，，(7, OA')'，:即为光谱特征Ks。5. 根据权利要求4所述的一种基于SVM的胶囊内窥镜图像分类方法，其特征在于，所述 步骤S20化中，将图像的颜色空间转换为服V的方法为： 设(R，G，B)分别是一个颜色的红、绿和蓝坐标，它们的值是在0到1之间的实数;设max等 价于R，G和B中的最大者，min等价于R，G和B中的最小者;H为色相角且He [0，360)度，S为饱 和度且5￡[0，1]，￥为亮度，转换公式为：
【专利摘要】本发明公开了一种基于SVM的胶囊内窥镜图像分类方法，该方法通过提取异常病变图像库中图像的纹理特征和光谱特征，构建SVM分类预测模型，将胶囊内窥镜采集图像中正常无病变图像与异常病变图像进行分类。与现有技术相比，该方法可以从海量的待检测的胶囊内窥镜采集图像中快速发现病变图像，从而缩短诊断时间，减轻医生阅片的劳动强度，提高诊断效率。
【IPC分类】G06K9/62, G06K9/00
【公开号】CN105512612
【申请号】CN201510834972
【发明人】孙丙宇, 王海雷, 王昌君, 李文波
【申请人】中科院合肥技术创新工程院
【公开日】2016年4月20日
【申请日】2015年11月24日