Wce视频分段提取显著特征信息的方法
【技术领域】
[0001] 本发明设及计算机领域，尤其设及一种WCE视频分段提取显著特征信息的方法。
【背景技术】
[0002] 通常胶囊内镜至少W2f/s(帖每秒）的速率传输所拍摄到的消化道内壁图像，在 人体内大约停留8小时，大概产生50000-60000幅图像。胶囊内窥镜（WirelessCapsule 化doscope，WC巧取代了传统插入式内窥镜。由于胶囊内窥镜在临床领域中扮演着重要的角 色，如；消化道不明原因的出血检测，克罗恩病的诊断W及小肠肿瘤诊断等消化道疾病的诊 断。然而，该些诊断方法都是非自动的人力密集型的方式，该样的方式需要消耗医生大量的 时间W及精力。即使是一个训练有素的专家医生通过该些手工的方法来检测WCE视频图像 的异常图像，如；出血或者溃瘍的图像，也需要超过一个小时的时间，对于其他非专家医生 来说，需要的时间则更长，高达3~4个小时。所从为了解决该一难题，研究者们提出了一 些方法来减轻医生的负担。
【发明内容】
[0003] 本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种WCE视 频分段提取特征信息的方法。
[0004] 为了实现本发明的上述目的，本发明提供了 一种通过提取HSI特征对WCE视频分 段提取显著特征信息的方法，其关键在于，包括如下步骤：
[0005] 步骤1，获取待提取特征信息的图片数据，将待提取特征信息的图片数据的RGB颜 色特征转换为服I颜色特征，将转换为服I颜色特征后的图片数据进行量化降维；
[0006] 步骤2,将量化降维处理的图片数据通过朴素贝叶斯分类器算法进行分类后，获取 带有显著特征信息的WCE视频图像分段模型。
[0007] 所述的通过提取服I特征对WCE视频分段提取显著特征信息的方法，优选的，步骤 1包括：
[000引步骤1-1，输入图像的R、G、B值，其对应的HSI模型中的H、S、I分量由公式计算得 到，
[0011]I= (R+G+B)/3
[0012]
[001引其中，R、G、B为图片像素的红、绿、藍刺激值。
[0014] 所述的通过提取服I特征对WCE视频分段提取显著特征信息的方法，优选的，步骤 1还包括：
[0015] 步骤1-2,色度量化成8个空间，把饱和度量化成3个空间，把亮度分别量化成3个 空间，即颜色空间被分层了 8X3X3的区间，具体量化值为，
[0016] 设变量h、S、i，分别表示量化中H、S、I的取值范围，计算如下，
[0020] 则通过上式分别对H、S、I进行量化，具体量化值如下；
[0021]
[0024] 所述的通过提取HSI特征对WCE视频分段提取显著特征信息的方法，优选的，步骤 2包括；
[0025] 步骤2-1，设D是训练元组和其相关联的类标号的集合，每个元组用一个n维属性 向量X= {x。X2,. . .，X。}表示，分别描述元组在n个属性集A。A2,........A。对元组的n个 度量，且各属性之间相互独立；
[0026] 步骤2-2,假设有m个类Cl,C2,C3,.....(；，给定元组X，分类法将预测X属于最 高后验概率的类，也就是说朴素贝叶斯法预测X属于类。，当且仅当口咕|幻>P(Cj.|X) 1《j《m,j声i，其中i、j为正整数，
[0027] 该样，最大化P(。I幻，P(。I幻最大的类。称为最大后验假设，根据贝叶斯定理， [002引
[0029] 步骤2-3,由于P佩对所有类为常数，所WP狂|Ci)P(。）最大即可，若类是先验概 率未知，则通常假定该些类是等概率的，即P(Cl) =P(C2) = . . . =P(Cm)，并据此对P狂I 最大化；否则，最大化P狂|Ci)P(。）；
[0030] 步骤2-4,给定元组的类标号，且属性值有条件地相互独立，因此，
[0031]
[0032] Xk表示元组X在属性Ak的值，由于Ak是分类属性，则P(XkI是D中属性Ak的值 为Xk的Ci类的元组数ICldI;
[003引步骤2-5,为了预测X的类标号，对每个类计算P狂I。)P咕），该分类法预测输 入元组X的类为当且仅当，
[0034] P狂|Ci)P(。）>Pa|Cj)P(Cj), 1《j《m，j声i，
[0035] 被预测的类标号是使P间Ci)P(。）最大的。。
[0036] 本发明还公开一种通过提取LBP特征对WCE视频分段提取显著特征信息的方法， 其关键在于，包括如下步骤：
[0037] 步骤r，获取待提取特征信息的图片数据，提取基于RGB信息的图片数据的LBP纹 理特征，将转换为LBP纹理特征后的图片数据进行量化降维；
[003引步骤2'，将量化降维处理的图片数据通过朴素贝叶斯分类器算法进行分类后，获 取带有显著特征信息的WCE视频图像分段模型。
[0039] 所述的通过提取LBP特征对WCE视频分段提取显著特征信息的方法，优选的，所述 步骤r包括：
[0040] 步骤r-1，对于图像中每一个像素，将其相邻的8个点进行顺时针或逆时针的比 较，如果中屯、像素值比该邻点大，则将邻点赋值为1，否则赋值为0,通过该过程每个点都会 获得一个8位二进制数，即得到该窗口中屯、像素点的LBP值，并用该LBP值来反映该区域的 纹理信息；
[0041] 步骤r-2,将提取LBP特征的图片数据进行降维处理。
[0042] 所述的通过提取LBP特征对WCE视频分段提取显著特征信息的方法，优选的，步骤 r-2包括：
[0043] 步骤A，找到有两次跳变的LBP二进制模式；
[0044] 步骤B，从已经找到的二进制模式中，将最长的连续的1或0的长度作为该二进制 模式的LBP值。
[0045] 所述的通过提取LBP特征对WCE视频分段提取显著特征信息的方法，优选的，步骤 2'包括；
[0046]步骤2' -1，设D是训练元组和其相关联的类标号的集合，每个元组用一个n维属 性向量X= {x。X2,. . .，X。}表示，分别描述元组在n个属性集Ai，As,........A。对元组的n 个度量，且各属性之间相互独立；
[0047] 步骤2' -2,假设有m个类Cl,C2,C3,.....(；，给定元组X，分类法将预测X属于最 高后验概率的类，也就是说朴素贝叶斯法预测X属于类。，当且仅当口咕|幻>P(Cj.|X) 1《j《m,j声i，其中i、j为正整数，
[0048] 该样，最大化P(。I幻，P(。I幻最大的类。称为最大后验假设，根据贝叶斯定理，
[0049]
[0化0] 步骤2'-3,由于P00对所有类为常数，所WP狂|Ci)P(。）最大即可，若类是先验概 率未知，则通常假定该些类是等概率的，即P(Ci) =P(C2) = ... =P(Cm)，并据此对P狂I。） 最大化；否则，最大化P狂|Ci)P(。）；
[0化1] 步骤2' -4,给定元组的类标号，且属性值有条件地相互独立，因此，
[0化2]
[0053]Xk表示元组X在属性Ak的值，由于Ak是分类属性，则P(XkI是D中属性Ak的值 为Xk的Ci类的元组数ICldI;
[0054] 步骤2' -5，为了预测X的类标号，对每个类。，计算P狂I。)P咕），该分类法预测 输入元组X的类为当且仅当，
[0055] P狂|Ci)P(。）>Pa|Cj)P(Cj), 1《j《m，j声i，