用于消化道内图像的自动分段系统和方法与流程

技术特征：

1.一种用于消化道内图像的自动分段系统，其特征在于：它包括图像预处理模块(1)、特征提取模块(2)和图像分段模块(3)，所述图像预处理模块(1)的信号输出端连接特征提取模块(2)的信号输入端，特征提取模块(2)的信号输出端连接图像分段模块(3)的信号输入端；

所述图像预处理模块(1)用于排除灰度均值超过预设阈值的无效图像，去除图像中无效区域，以减少需要处理的图像，所述图像中无效区域包括食物残渣区域、气泡区域、粘液区域和图像中灰度均值超过预设阈值的区域；

所述特征提取模块(2)用于对去除无效区域后的消化道图像进行特征计算得到图像纹理特征值、形状特征值和颜色特征值；

所述图像分段模块(3)用于利用图像纹理特征值、形状特征值、颜色特征值计算得到支持向量机训练模型，并利用支持向量机训练模型对提取的图像纹理特征值、形状特征值、颜色特征值进行分类，从而确定消化道图像在消化道内的具体分段位置。

2.一种利用权利要求1所述系统的消化道内图像的自动分段方法，其特征在于，它包括如下步骤：

步骤1：利用图像预处理模块(1)排除灰度均值超过预设阈值的无效图像；

步骤2：利用图像预处理模块(1)去除图像中无效区域，以减少需要处理的图像，所述图像中无效区域包括食物残渣区域、气泡区域、粘液区域和图像中灰度均值超过预设阈值的区域；

步骤3：利用特征提取模块(2)计算颜色特征值，所述颜色特征值包括图像绿色通道的颜色值减去图像蓝色通道的颜色值后的均值m、HSV颜色空间各颜色通道的Hu矩阵以及可伸缩颜色直方图；

所述图像绿色通道的颜色值减去图像蓝色通道的颜色值后的均值m的计算公式为：其中，x、y为像素位置，N为图像预处理后有效区域像素个数，gb(x,y)为图像绿色通道的颜色值减去图像蓝色通道的颜色值处理后的图像颜色值；

所述HSV颜色空间各颜色通道的Hu矩阵计算方法为：

Hu[0]＝η₂₀+η₀₂

Hu[1]＝(η₂₀-η₀₂)²+4η₁₁

Hu[2]＝(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)²

Hu[3]＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²

Hu[4]＝(η₃₀-3η₁₂)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]

+(3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

Hu[5]＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

+4η₁₁(η₃₀+η₁₂)(η₂₁+η₀₃)

Hu[6]＝(3η₂₁-η₀₃)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]

+(3η₁₂-η₃₀)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

其中，pq为矩阵的阶数，η_pq为pq阶中心矩，μ₀₀为图像所有像素和，p和q的取值范围均为[0，3]，为灰度质心坐标，f(x,y)为HSV空间各颜色通道(x,y)位置处的像素值；

所述可伸缩颜色直方图的具体计算方式为：将色调H、饱和度S、明度V各颜色通道值分别量化到Hbin、Sbin、Vbin，Hbin为色调H通道的颜色特征量化极值，Sbin为饱和度S通道的颜色特征量化极值，Vbin为明度V通道的颜色特征量化极值，然后统计直方图，得到可伸缩颜色直方图SC，可伸缩颜色直方图SC的计算方式为：

SC(H(x,y)*Sbin*Vbin+S(x,y)*Vbin+V(x,y))

＝SC(H(x,y)*Sbin*Vbin+S(x,y)*Vbin+V(x,y))+1

其中，H(x,y)表示像素坐标x，y对应像素中的色调H通道量化到Hbin后的数据，S(x,y)表示像素坐标x，y对应像素中的饱和度S通道量化到Sbin后的数据，V(x,y)表示像素坐标x，y对应像素中的明度V通道量化到Vbin后的数据；

利用特征提取模块(2)计算图像纹理特征值，图像纹理特征值包含CLBP直方图和图像去除气泡区域后的Gabor纹理特征g(x,y)；

步骤4：利用Zernike矩提取消化道图像的形状特征值，消化道图像的形状特征值Z_n1m1定义为：

其中，f₁(x,y)为消化道图像的灰度值，在计算时需将消化道图像转化到极坐标系，V_n1m1^*(ρ,θ)＝R_n1m1(ρ)e^-jm1θ，ρ称为极径，θ称为极角，e为自然常数，j是虚数单位，V_n1m1为图像数据转化到极坐标系的值，x、y为消化道图像像素坐标，n1m1为矩阵的阶数；

$R_{n1m1}\left(\mathrm{\ρ}\right)=\underset{s=0}{\overset{\frac{n1-\left|m1\right|}{2}}{\Σ}}\frac{{(-1)}^s(n1-s)!}{s!\left(\frac{1}{2}\right(n1+\left|m1\right|)-s)!\left(\frac{1}{2}\right(n1-\left|m\right|1)-s)!}{\mathrm{\ρ}}^{n1-2s}$

步骤5：利用图像绿色通道的颜色值减去图像蓝色通道的颜色值，得到所有消化道图像的均值m序列，通过判断序列中m值的变化值，即相邻消化道图像之间m值之差，当m值的变化值超过设定阈值tm时，此处消化道图像的位置即为初步分段的位置；

步骤6：在初步分段位置前后对称的选取连续的W张消化道图像，即初步分段位置前选取连续的W/2张，初步分段位置后选取连续的W/2张；对连续的W张消化道图像利用步骤3和步骤4的方法计算每张消化道图像的纹理特征值、形状特征值和颜色特征值；

步骤7：在图像分段模块(3)中利用预先训练好的支持向量机训练模型对步骤6提取的图像纹理特征值、形状特征值、颜色特征值进行分类，从而确定消化道图像在消化道内的具体分段位置，预先训练好的支持向量机训练模型通过步骤3和步骤4得到的图像纹理特征值、形状特征值、颜色特征值单独训练得到。

3.根据权利要求2所述消化道内图像的自动分段方法，其特征在于：所述步骤6中消化道图像张数W的取值范围为200～2000。

4.根据权利要求2所述消化道内图像的自动分段方法，其特征在于：所述步骤2中，图像预处理模块(1)利用Gabor滤波器来确定图像中气泡干扰的位置及大小，并将其删除。

5.根据权利要求2所述消化道内图像的自动分段方法，其特征在于：所述步骤3中，图像去除气泡区域后的Gabor纹理特征g(x,y)的具体算法为：

$g(x,y)=\frac{k^2}{{\mathrm{\σ}}^2}{e}^{-\frac{k^2(x^2+y^2)}{2{\mathrm{\σ}}^2}}\[e^{ik\left(\begin{array}{c}x\\ y\end{array}\right)}-e^{-\frac{{\mathrm{\σ}}^2}{2}}\]$

其中，σ表示滤波器的标准差,u和v分别表示Gabor滤波器的方向和尺度，K为滤波器总的方向数，x、y表示像素坐标位置，e为自然常数，i是虚数单位。

6.根据权利要求2所述消化道内图像的自动分段方法，其特征在于：所述步骤3中，CLBP直方图由符号CLBPS和幅度CLBPM构成，计算公式为：

${\mathrm{CLBPS}}_{P1,R}=\underset{p2=0}{\overset{P1-1}{\mathrm{\Σ}}}s(g_{P2}-g_c)2^{p2},s\left(x1\right)=\left\{\begin{array}{c}1,x1\≥0\\ 0,x1\<0\end{array}\right.$

${\mathrm{CLBPM}}_{P1,R}=\underset{p2=0}{\overset{P1-1}{\mathrm{\Σ}}}t(v_{p2},c)2^{p2},t(x2,c)=\left\{\begin{array}{c}1,x2\≥c\\ 0,x2\<c\end{array}\right.$

其中，P1为当前像素半径为R的邻域内需要使用的像素的个数，p2为[0，P1-1]，g_c为当前需要处理的像素值，g_p2为当前像素周围的像素值，g_p2的位置为(Rcos(2π*p2/P1),Rsin(2π*p2/P1))，v_p2＝|g_p2-g_c|为当前像素与邻域像素g_p2差的绝对值，体现了幅度变化，c为整幅图像中v_p2的均值，s(x1)为符号比较函数，t(x2,c)为幅度比较函数，x1＝g_P2-g_c，x2＝v_p2。

7.根据权利要求2所述消化道内图像的自动分段方法，其特征在于：所述步骤5中，利用m值变化进行消化道图像位置初步分段，当m的变化超过阈值tm时，当前图像为初步分段位置，m的计算公式为：

其中，x、y为像素位置，N为图像预处理后有效区域像素个数，gb(x,y)为图像绿色通道的颜色值减去图像蓝色通道的颜色值后的图像颜色值。