一种增强纹理特征提取的方法及其在黑色棘皮症的应用

1.本发明涉及一种增强纹理特征提取的方法及其在黑色棘皮症的应用，属于图像纹理特征提取技术领域。


背景技术：

2.目前对黑棘皮症的诊断方法主要有：基于皮肤镜的检查技术；基于不同色素性皮损的皮肤荧光诊断的方法；利用深度学习的卷积神经网络从皮肤镜图像数据集中检测的方法。基于皮肤镜的检查技术的方法，主要靠肉眼识别，太过依赖有经验的医生。基于不同色素性皮损的皮肤荧光诊断的方法，因为设备所采用的双光子激发黑色素荧光只能用在四肢，不能用在头部或其他部位，有很大的局限性。利用深度学习的卷积神经网络从皮肤镜图像数据集中检测的方法，检测率很高，但需要非常大的数据集，运行速度很慢。
3.andreesteva在nature上发表的论文利用深度学习的卷积神经网络从皮肤镜图像数据集中检测出黑色素瘤，识别准确率高达94％，但作者使用了一个非常大的数据集，包含120000张皮肤镜图像，数据集未公开。图像预处理、图像分割、图像特征选择和特征提取及图像分类识别等方面是当前皮肤病病例图研究的主要方向。这种方法所需数据集庞大，而医学上对病理图片都是保密的，所以数据收集困难。
4.在皮肤病的研究中，特征提取是最重要的一个环节，通常包含以下几种提取方法：
5.1、基于高斯滤波的纹理提取方法
6.高斯滤波应用的范围非常广，可以有效的减少高斯噪声，在图像处理和机器视觉领域有着广泛的应用，通常用它来减少图像噪声以及降低细节层次。高斯滤波对整张图片的每一个像素值都会做加权平均处理，达到平滑处理图像的效果。通常会用掩膜或者卷积核对每个像素值进行扫描，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。高斯滤波主要可以使用两种方法实现：一种是离散化窗口滑窗卷积，另一种方法是通过傅里叶变化，这里主要是用前者方法进行高斯滤波，离散化窗口滑窗卷积的时，主要利用的是高斯核，高斯核一般是一个奇数的大小的高斯模板，主要分为3x3和5x5两种卷积模板，在这里把卷积核设置为5x5和标准差为0的滤波处理，标准差越小，二维高斯图像越窄小，平滑效果不明显。最后把获得的图像进行单通道的灰度图像进行阙值为0的处理，从而得到纹理更清晰的图像。
7.高斯滤波的算法比较单一，对高斯噪声有很好的阻挡效果，但在其他干扰中的效果较差。并且，高斯滤波对纹理的识别，大的纹理识别效果不好，较细小的纹理识别不到。适用于一些高斯噪声污染和对精度要求不高的图像。如果单独应用于黑色棘皮症，误差率非常高。
8.2、基于gabor滤波的纹理特征提取方法
9.gabor滤波特征是一种可以用来描述图像纹理信息的特征，gabor滤波器的频率和方向与人类的视觉系统类似，特别适合于纹理表示与判别。gabor特征主要依靠gabor核在频率域上对信号进行加窗，从而能描述信号的局部频率信息。gabor核靠傅里叶变换，我们
才能将信号转换到频率域，才能让gabor核在频率域去加窗。而在原本的空间域中，一个gabor核实际上就是一个高斯核与正弦波调制的结果，可以看做是高斯核应用在了正弦波的频域部分。—维gabor核是由一个高斯核与一个复数波的乘积定义的，用gabor核和输入信号卷积就可以得到输入信号在某频率邻域附近的响应结果，响应结果来实现频域滤波，又可以用它来描述信号的频率信息。gabor特征就是用gabor核来描述信号的频率信息，从而作为信号的特征的。二维高斯核就是二维高斯函数与二维复数波相乘，一个gabor核能获取到图像某个频率邻域的响应情况，这个响应结果可以看做是图像的一个特征。那么，我们如果用多个不同频率的gabor核去获取图像在不同频率邻域的响应情况，最后就能形成图像在各个频率段的特征，这个特征就可以描述图像的频率信息了。gabor滤波器是自相似的，也就是说，所有gabor滤波器都可以从一个母小波经过膨胀和旋转产生。实际应用中，gabor滤波器可以在频域的不同尺度，不同方向上提取相关特征。
10.总的来说，gabor滤波器所确定的有效持续时间和有效频率带宽乘积的下限，这意味着它可以同时在时域和频域获得最佳的局部化，同时gabor滤波器是带通的，与人类视觉接收场模型相吻合。但是gabor滤波器的算法较为复杂，计算量过大，对细小波长检测过于精确，容易误检。黑色棘皮症中细小纹理占比较重，因此，如果单独采用gabor滤波器，发生误检的概率特别大。
11.3、基于frangi滤波器组的纹理提取方法
12.frangi滤波是frangi在1998年，运算hessian矩阵的特征值构造出了一种滤波器来增强血管结构。hessian滤波器是指其核函数的计算是基于hessian矩阵的滤波器。hessian矩阵实际是一个二阶偏导矩阵，矩阵的特征向量在图像边缘检测方面有着重要的作用，能够描述其局部曲率。而基于hessian矩阵所提出的典型滤波器即frangi滤波器。
13.frangi滤波器可以很好的细小纹理或背景所带来的干扰，避免了一些误检，但也漏检了许多细小的纹理，在检测黑色棘皮症时，细小纹理占比较重，所以会造成很大的误差率。
14.在对黑色棘皮症的研究中发现，基于高斯滤波的纹理提取，对大的纹理提取比容易失真对小的纹理提取不到；基于gabor滤波的纹理提取，对细小纹路的提取太过敏感，容易造成误差；基于frangi滤波的纹理提取，对细小纹路提取不到，影响实验误差。
15.基于此，提出本发明。


技术实现要素：

16.本发明针对现有技术存在的不足，提供了一种增强纹理特征提取的方法及其在黑色棘皮症的应用，具体技术方案如下：
17.一种增强纹理特征提取的方法，包括以下步骤：
18.步骤s1、将输入图像转换为灰度图像；
19.步骤s2、对灰度图像进行同态高斯滤波得到高斯滤波图像，对灰度图像进行gabor滤波得到gabor滤波图像；
20.步骤s3、对高斯滤波图像与gabor滤波图像进行归一化滤波，得到归一化滤波图像；
21.步骤s4、对归一化滤波图像进行二值化处理，得到二值化图像；
22.步骤s5、对二值化图像通过基于轮廓曲长大小的检测，通过检测之后，输出结果。
23.上述技术方案的进一步优化，对灰度图像进行同态高斯滤波得到高斯滤波图像，高斯滤波图像表示为f
t
(u，v)，对灰度图像进行gabor滤波得到gabor滤波图像，gabor滤波图像表示为fg(u，v)；
[0024][0025]f′
t
(u，v)＝f
t
(u，v)-min
(u，v)ft
(u，v)，
[0026][0027]f′g(u，v)＝fg(u，v)-min
(u，v)fg
(u，v)，
[0028]
min
(u，v)fg
(u，v)为fg(u，v)的最小值，max
(u，v)f′
t
(u，v)为f
′
t
(u，v)的最大值，
[0029][0030]
gf(u，v)表示为归一化滤波图像，0＜p＜1。
[0031]
上述技术方案的进一步优化，在步骤s5中，所述基于轮廓曲长大小的检测方法为：
[0032]
先对二值化图像进行canny算子的轮廓检测，在此基础上使用findcontours函数找到目标检测的纹理，最后使用drawcontours函数设置纹理的大小，对检测到的纹理通过循环的方式检测目标纹理；
[0033]
canny算子所采用的卷积算子为：
[0034][0035]
其x方向的一阶偏导数矩阵为p[i，j]，y方向的一阶偏导数矩阵为q[i，j]，梯度幅值为m[i，j]，梯度方向为θ[i，j]；
[0036][0037][0038][0039][0040]
其中，f[i,j]代表图像的灰度值，[i,j]代表一个像素点，i是像素点的横坐标，j是像素点的纵坐标；
[0041]
根据p[i,j]与q[i,j]，求出m[i,j]和θ[i，j]。
[0042]
上述技术方案的进一步优化，在经过canny算子的轮廓检测后，进行findcontours函数处理，只保留外部边缘，并且压缩水平方向、垂直方向和对角线方向的元素；最后使用drawcontours函数设置阈值排除非目标纹路的干扰。
[0043]
上述技术方案的进一步优化，所述阈值设置在(30，70)之间，阙值的单位为像素。
[0044]
上述技术方案的进一步优化，所述同态高斯滤波是用同态滤波对灰度图像进行增强之后，在对增强后的结果进行高斯滤波。
[0045]
上述技术方案的进一步优化，0.1≤p≤0.3。
[0046]
上述技术方案的进一步优化，所述增强纹理特征提取的方法在黑色棘皮症的应用。
[0047]
本发明的有益效果：
[0048]
本发明优化了在细小纹理处的检测效果和提出了减少误差的方法，主要使用了同态高斯滤波和gabor滤波相结合的方法，对图像进行图像增强和纹理检测。最后在图像特征提取出来的基础上对纹理进行进一步的剔除处理，极大的减少纹理的误检率，从而提高检测率。
附图说明
[0049]
图1为本发明所述增强纹理特征提取的方法流程图；
[0050]
图2是在采集的黑色棘皮症的图像库中的随机一张临床图像；
[0051]
图3是对图2采用高斯滤波所得到的效果图；
[0052]
图4是对图2采用frangi滤波所得到的效果图；
[0053]
图5是对图2采用同态高斯滤波所得到的效果图；
[0054]
图6是对图2采用gabor滤波所得到的效果图；
[0055]
图7是对图2采用同态高斯滤波和gabor滤波结合后所得到的效果图；
[0056]
图8是实施例1中基于轮廓曲长大小的检测后所得到的效果图；
[0057]
图9为非极大值抑制的原理图；
[0058]
图10是实施例3中阈值大小与目标纹路的曲线图；
[0059]
图11是实施例4中阈值大小与目标纹路的曲线图；
[0060]
图12为检测率与p值之间的散点图；
[0061]
图13为误检率与p值之间的散点图。
具体实施方式
[0062]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0063]
实施例1
[0064]
本发明的算法基本流程如图1所示。将输入图像转换为灰度图像，输入图像是黑色棘皮症的临床图像，考虑到对纹理特征的检测，主要考虑对细小纹路的检测。
[0065]
对灰度图像进行同态高斯滤波得到高斯滤波图像，对灰度图像进行gabor滤波得到gabor滤波图像。
[0066]
对高斯滤波图像与gabor滤波图像进行归一化滤波，得到归一化滤波图像。
[0067]
对归一化滤波图像进行二值化处理，得到二值化图像。二值化处理主要是为了减少噪声干扰。
[0068]
对二值化图像通过基于轮廓曲长大小的检测，通过检测之后，输出结果。基于轮廓曲长大小的检测能够减少误差。
[0069]
在黑色棘皮症的研究中，提出了基于轮廓曲长大小的检测方法，考虑到检测到的
纹路有许多干扰，例如有细微波长干扰，有粗壮的纹理干扰。因此，通过增加基于轮廓曲长大小的检测方法，可根据不同的情况可以设置轮廓曲长的大小，从而控制纹理的长短和纹理的数量，达到减少误检率和提高目标检测物的效果。
[0070]
1.1、同态高斯滤波
[0071]
同态高斯滤波的定义是：用同态滤波对图像进行增强之后，在对增强后的结果进行高斯滤波来提取纹理特征。
[0072]
在进行滤波时总会有失真的情况出现，同态高斯滤波可以大大减少图像失真，使图像增强，增加图像的检测效果。同态滤波也就是把频率过滤和灰度变换结合起来的一种图像处理方法，它依靠图像的照度除以反射率模型作为频域处理的基础，利用压缩亮度范围和增强对比度来改善图像的质量。使用这种方法可以使图像处理符合人眼对于亮度响应的非线性特性，避免了直接对图像进行傅立叶变换处理的失真。
[0073]
在本实施例中，所述同态高斯滤波是用同态滤波对灰度图像进行增强之后，在对增强后的结果进行高斯滤波来提取纹理特征。
[0074]
1.2、同态滤波
[0075]
光照的变化一直是一个困扰众多工程师和科研工作者的难题。物体的颜色是由物体对长波(红)、中波(绿)和短波(蓝)光线的反射能力决定的，而不是由反射光强度的绝对值决定的，物体的色彩不受光照非均性的影响，具有一致性，物体对光照的反射能力是物体的固有属性。因此，同态滤波是一种在频域中同时将图像亮度范围进行压缩和将图像对比度进行增强的方法，是基于图像成像模型进行的。
[0076]
同态滤波的关键在于滤波器的设计。对于一幅光照不均匀的图像，同态滤波可同时实现亮度调整和对比度提升，从而改善图像质量。
[0077]
滤波器是一个高通滤波器，可以压制低频的亮度分量，增强高频的反射分量。
[0078]
1.3、gabor滤波
[0079]
gabor滤波器可以抽取空间局部频度特征，是一种有效的纹理检测工具。gabor滤波器的脉冲响应，可以定义为一个正弦波乘以高斯函数。由于乘法卷积性质，gabor滤波器的脉冲响应的傅立叶变换是其调和函数的傅立叶变换和高斯函数傅立叶变换的卷积。该滤波器由实部和虚部组成，二者相互正交。一组不同频率不同方向的gabor函数数组对于图像特征提取非常有用。
[0080]
1.4、两种滤波的归一化
[0081]
在黑色棘皮症的研究中，为解决同态高斯滤波与gabor滤波对黑色棘皮症的临床图像的适应性问题，创新性的提出了结合同态高斯滤波和gabor滤波的滤波图像作为纹理提取的图像。gabor滤波可以弥补同态高斯滤波对细小纹理提取的不足，同时同态高斯滤波加强了主干路的纹路提取，减少了gabor滤波的误检率。将两种滤波相结合，二者相辅相成，可以极大的提高纹理特征的检测率。
[0082]
具体的为：
[0083]
对灰度图像进行同态高斯滤波得到高斯滤波图像，高斯滤波图像表示为f
t
(u，v)，对灰度图像进行gabor滤波得到gabor滤波图像，gabor滤波图像表示为fg(u，v)；
[0084]
[0085]f′
t
(u，v)＝ft(u，v)-min
(u，v)ft
(u，v)，
[0086][0087]f′g(u，v)＝fg(u，v)-min
(u，v)fg
(u，v)
[0088][0089]
gf(u，v)表示为归一化滤波图像，0＜p＜1。
[0090]
其中，(u，v)代表一个像素点的位置，u表示像素点对应的横坐标，v表示像素点对应的纵坐标。min
(u，v)fg
(u，v)为fg(u，v)的最小值，max
(u，v)f′
t
(u，v)为f
′
t
(u，v)的最大值，主要作用是线性函数将原始数据线性化的方法转换到[0，1]的范围内。
[0091]
p设置范围在(0，1)，可以在一定程度上突出gabor滤波器组的响应，抑制同态高斯滤波器的响应。
[0092]
1.5、基于轮廓曲长大小的检测方法
[0093]
在将两种滤波结果归一化后得到的图像基础上，先对二值化图像进行canny算子的轮廓检测，在此基础上使用findcontours函数找到目标检测的纹理，最后使用drawcontours函数设置纹理的大小，对检测到的纹理通过循环的方式检测目标纹理；从而达到减少误差的结果。
[0094]
canny算子所采用的卷积算子为：
[0095][0096]
其x方向的一阶偏导数矩阵为p[i,j]，y方向的一阶偏导数矩阵为q[i,j]，梯度幅值为m[i,j]，梯度方向为θ[i，j]；
[0097][0098][0099][0100][0101]
其中，f[i,j]代表图像的灰度值，[i,j]代表一个像素点，i是像素点的横坐标，j是像素点的纵坐标；
[0102]
根据p[i,j]与q[i,j]，求出m[i,j]和θ[i，j]。
[0103]
实施例2
[0104]
几种滤波方式在黑色棘皮症中的对比研究
[0105]
图2是在采集的黑色棘皮症的图像库中的随机一张临床图像，其为原图。图3是对图2采用高斯滤波所得到的效果图。图4是对图2采用frangi滤波所得到的效果图。图5是对图2采用同态高斯滤波所得到的效果图。
[0106]
对比分析，如图2、3、5所示，在黑色棘皮症中的图像处理领域中，采用同态高斯滤波所得到的效果比采用高斯滤波要好得多。
[0107]
图6是对图2采用gabor滤波所得到的效果图。图7是对图2采用同态高斯滤波和gabor滤波结合后所得到的效果图，进行了归一化处理。
[0108]
对比图5、6、7可知：采用同态高斯滤波和gabor滤波结合并进行归一化处理，所得的效果明显优于同态高斯滤波或gabor滤波。
[0109]
图8是实施例1中基于轮廓曲长大小的检测后所得到的效果图，在图8中，阈值设置为(30，70)；在图8中，为直观的显示输出的纹理效果，将图像中的背景给滤除。
[0110]
实施例3
[0111]
图9为非极大值抑制的原理图，图像的梯度幅值矩阵中的元素值越大，说明图像中该点的梯度值越大，但这不能说明该点就是边缘。在canny算法中，非极大值抑制是进行边缘检测的重要步骤，通俗意义上是指寻找像素点局部最大值，将非极大值点所对应的灰度值置为0，这样可以剔除掉一大部分非边缘的点。
[0112]
在经过canny算子的轮廓检测后，进行findcontours函数处理，只保留外部边缘，并且压缩水平方向、垂直方向和对角线方向的元素，只保留该方向的重点坐标。最后使用drawcontours函数设置阈值排除非目标纹路的干扰。经过实验发现阈值设置在(30，70)之间的目标检测率更高，如图10所示，图10是阈值大小与目标纹路的曲线图。其中，(30，70)是指每个轮廓中所有的像素点围成区域的面积，单位为像素。
[0113]
实施例4
[0114]
本实施例将结合gabor滤波和frangi滤波的滤波结果，将两种滤波归一化。用到gabor滤波器提取细小的纹路，其采用了frangi滤波器提取粗大的纹理特征，对不同粗细的纹路进行检测。
[0115]
在本实施例中，将ig(x1，x2)表示gabor滤波器的结果，if(x1，x2)表示为frangi滤波器的结果。对两者进行归一化处理：
[0116]
先对gabor滤波器进行归一化：
[0117]i′
(x1，x2)＝ig(x1，x2)-min ig(x1，x2)
[0118][0119]
由于frangi滤波器的结果中有为零的值，所以：
[0120]
mv＝minif(x1，x2)，if(x1，x2)＞0；
[0121]
当if(x1，x2)＝0时，
[0122][0123]
当if(x1，x2)＞0时，
[0124][0125]
将两种归一化的滤波结果进行归一化结合的结果为gf(x1，x2)，
[0126][0127]
其中，(x1，x2)代表一个像素点的位置，x1表示像素点对应的横坐标，x2表示像素点对应的纵坐标。
[0128]
将两者归一化结果，进行基于轮廓曲长大小的检测，结果如图11，图11是实施例4中阈值大小与目标纹路的曲线图。
[0129]
从图11可以看出，同样在阈值(30，70)之间的目标纹理检测更多，虽然gabor滤波器和frangi滤波器的归一化也可以对纹理特征进行提取，但对目标纹理特征的检测数量有所不如。而经过同态高斯滤波对纹理的增强，在将其与gabor滤波结合，相较于前者的目标纹理检测率更高，这尤其适用于黑色棘皮症的临床图像。
[0130]
实施例5
[0131]
在实施例1的《两种滤波的归一化》(以下简称本方法)中，检测分为纹理特征的检测率和误检率。
[0132]
检测率：
[0133]
p
x
是本方法检测到的正确的纹理，py是原图中的纹理。r是检测到正确的纹理的检测率，检测率越高越好。
[0134]
误检率：
[0135]fx
表示和原图比，误检测到的纹理；fy表示原图中的非纹理区域。f为误检率，误检率越低越好。
[0136]
当改变p值，所得到的检测率，如图12所示；当改变p值，所得到的误检率，如图13所示；从检测率和误检率来看，针对黑色棘皮症，p设置在[0.1,0.3]之间有更好的效果。
[0137]
在其余的皮肤病症中，如对黑色素瘤、非黑色素瘤性皮肤癌(如鳞状细胞癌症)的临床图像采用实施例1中的《两种滤波的归一化》方法来检测皮肤的纹理特征，无论p在(0，1)中取何值，检测率均不超过41％。
[0138]
在上述实施例中，为了更好的特征提取效果，先将图像转为灰度图像并把灰度后的图像进行二值化处理，这样图像中黑白的颜色对比更加强烈，辨识度更高。
[0139]
本发明提出了将同态高斯滤波和gabor滤波归一化结合的方案，解决了黑色棘皮症中对目标纹路特征检测过于细微和过于笼统的现状。经过同态高斯滤波对主干纹路特征进行增强处理，加上gabor滤波器对纹路特征的细微检测，结合两者的优点进行归一化，并调整归一化程度，最大限度消除二种滤波方式结合的弊端，得到了更清晰的目标检测纹路，减小了误差率。同时提出了基于轮廓曲长大小的目标纹理特征的提取方法，进一步的排除一些干扰，极大的提高了检测率，同时降低了误检率。
[0140]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。