果；每张图中都有两个几乎完全重合的深灰色点，分别代表所有图像块对目标位置的 预测结果的加权组合，即整张图像对目标点位置的最终预测结果，和目标点位置的标准答 案，即用户手动点取的目标点位置。第二行的两张图像显示了对5个目标点的预测结果，不 同灰度值的点分别表示对不同目标点的位置预测结果；
[0029] 图10为肋骨检测结果图。其中四张图分别表示对不同的胸腔X光片的目标点位 置预测结果（由5种不同灰度值的点表示对不同的目标点的位置预测结果），以及对目标肋 骨的框选结果（由浅蓝色的多边形框给出）；
【具体实施方式】
[0030]图1给出了基于随机森林回归的胸腔X光片肋骨检测方法的总体处理流程，下面 结合其他附图及【具体实施方式】进一步说明本发明。
[0031] 本发明提供一种基于随机森林回归的胸腔X光片肋骨检测方法，使用数十张带有 目标位置信息（如肋骨位置标识）的胸腔X光片作为训练图像，提取图像信息，训练一个随 机森林回归器，并使用它对新的胸腔X光片中的目标点位置（如肋骨标识点位置）及目标 位置（如某根肋骨的位置）进行检测。
[0032] 具体步骤实现如下：
[0033] 1、基于随机采样的图像块生成及其H0G特征描述
[0034] 该方法的流程图如图2所示，首先，读取一张用于训练或测试的胸腔X光图像，并 对图像进行网格划分，利用网格划分结果，选取图像块（patch)，构建稠密采样空间；然后， 对图像块（patch)进行网格划分，利用网格，选取小图像块（block);使用传统方法提取图 像块（patch)中每个小图像块（block)的H0G特征描述子，并将其串联起来，构成图像块 (patch)的特征描述向量；最后将图像块（patch)的特征描述向量并联，构成图片的特征描 述子矩阵，进一步构成稠密特征空间。
[0035] 在上述中，需要明确图像和图像块（patch)的网格划分数目，以及H0G特征的直方 图维度数，据此可以确定每张图像提取的H0G特征描述子矩阵的大小。由于不同的网格数 目设定会影响到图像块（patch)和小图像块（block)的数量、选取的尺度和纵横比，进而 对特征描述子矩阵的维度、特征提取时间、描述准确度产生影响，综合考虑，初始化图像的 网格划分数为8X8,图像块（patch)的网格划分数为6X6 ;提取每个小图像块（block)的 H0G特征描述子时，设置均分的9个梯度方向区间，对图像块（block)内的梯度方向进行统 计，即对每个小图像块（block)来说，使用传统的H0G特征提取方法，提取9维H0G描述子 向量。
[0036] 首先，对读取的胸腔X光图像进行8X8的网格划分，显然，划分后的图像上共有 9X9个网格顶点，从这些网格顶点中任取不共线的两个点（不在同一条横线也不在同一条 竖线上），即可作为一个图像块（patch)的一对对角顶点，通过这种方法，可以选定一个图 像块（patch)。
[0037] 根据上述对图像块（patch)选取方法的描述，可以计算出，每张图像可以取得的 图像块（patch)总数为
；个。以这1296个图像块（patch)为 一组，作为一张胸腔X光图像的代表。
[0038]对这1296个图像块中的每一个图像块（patch)，并对其进行6X6网格划分。按 照与图像块（patch)选取相似的方法，选择不共线的两个网格顶点，定位一个小图像块 (block)，作为提取H0G描述子的基本单元。可以计算出，从每一个图像块（patch)中，可以 提]
个小图像块（block)。
[0039] 对每个小图像块（block)的全部像素进行梯度方向的直方图统计（histogramthe orientationofgradient)，按照传统方法，得到这个小图像块（block)的9维HOG特征描 述子，然后将从当前图像块（patch)中提取的所有小图像块（block)的9维H0G特征描述 子直接串联起来，形成一个441X9 = 3969维的特征描述向量，作为当前图像块（patch)的 H0G特征描述子。
[0040] 使用传统方法提取小图像块（block)的9维H0G特征描述子算法的流程如下：
[0041]a)计算图像每个像素灰度的梯度方向和幅值，分别记做angle和magnit(angle和 magnit均是与图像大小相同的二维标量矩阵）；
[0042]b)对图像块（patch)进行6X6网格划分后，统计每个网格内，落入9个梯度方向 区间的像素数目，即分别计算每个网格的未归一化的9维H0G特征描述子；
[0043]c)接下来计算组成图像块（patch)的所有小图像块（block)的9维H0G特征。将 组成小图像块（block)的各个网格的未归一化的9维H0G特征描述子相加（直接进行向量 相加即可，每个元素对应相加），形成各个小图像块（block)的未归一化的9维H0G特征描 述子；
[0044]d)将上一步得到的小图像块（block)特征描述子归一化，即可得到该小图像块 (block)的H0G特征描述子。
[0045] 2、基于特征块与目标点距离分布的随机森林回归器生成
[0046] 本部分主要分为两大步骤，一是目标点的选取和图像特征块（patch)与目标点距 离分布的描述，二是根据图像块（patch)的特征描述矩阵和图像特征块（patch)与目标点 距离分布的位移矩阵，进行随机森林回归器的训练。流程示意图如图5所示
[0047](1)、特征块与目标点距离分布的计算
[0048] 给定任意一张训练图像，为了简单而不失准确性的描述一根肋骨的位置，使用沿 肋骨均匀分布的5个标识点（也称目标点）对该肋骨的位置进行描述，如图3所示。然后 程序根据用户的选择，提取目标点到特征块中心的位移描述信息。算法的详细流程如算法 3-1所示。
[0049] ?算法3-1目标点位置信息的生成与描述：
[0050]a)用户自主选取5个目标点，系统记录目标点位置；
[0051]b)系统计算所有图像块（patch)的中心位置；
[0052]c)针对图中的每个目标点，进行如下计算：
[0053]i.计算目标点到图像的每个图像块（patch)中心的横坐标位移，组成横坐标位移 向量。
[0054]ii.计算目标点到图像的每个图像块（patch)中心的纵坐标位移，组成纵坐标位 移向量。
[0055] 整合每个目标点到图像块中心的位移向量，获得整张图片中全部目标点相对于图 像块的位移分布的描述矩阵。
[0056](2)、随机森林回归器的设计与实现
[0057] 以步骤1得到的训练图像特征块集合和图像块特征向量构成的集合，分别作为学 习训练的输入空间和特征空间，以步骤2(1)得到的目标点到训练图像稠密采样空间中图 像块中心的位移向量为学习训练的输出空间实例，进一步进行随机森林回归器的训练。
[0058] 在步骤2(1)中，共获得了5个目标点的位置信息，这样，在输出空间中，能够得到 10个输出向量实例。其中，第2j个输出向量中的第i个元素，代表稠密采样空间中第i个 图像块到第j个目标点的纵坐标位移，第2j_l个输出向量中的第i个元素，代表稠密采样 空间中第i个图像块到第j个目标点的横坐标位移。针对每一列输出向量，训练一个随机 森林回归器，用于预测相应目标点到图像块中心的横/纵坐标位移。
[0059] 训练每一个随机森林回归器的算法描述如算法3-2所示。
[0060] ?算法3-2训练随机森林回归器：
[0061] (1)设定随机森林参数；（相关的随机森林参数在表1中给出）；
[0062] (2)随机选择一定数目的（该数目由表1中给出的ranFeaNum决定）、用于单个回 归树训练的图像块（patch)特征描述矩阵，及与之相应的目标点到图像块中心的位移；
[0063] (3)进行单个回归树的训练：
[0064]a)当节点集合中还有未进行过模型（弱分类器或叶子节点预测器）训练的节点 时，取该节点，进行终止条件判断，如果满足终止条件，转入c)，否则，转入b);当节点集合 中所有的节点都已进行过模型训练，则当前回归树已经训练完成，转入〇 ;
[0065] b)根据弱分类器编号参数，训练该节点上的二分弱分类器，将节点标识为中间节 点，并获得其左右子节点，将它们加入节点集合中，转入a);
[0066]c)将该节点标识为叶子节点，进行叶子节点预测器的训练，转入a);
[0067] 若当前回归树的编号小于随机森林中的回归树总数的设定，则转入（2)，否则，随 机森林回归器训练完成，结束算法。
[0068] 随机森林的参数设置对于其训练效率、回归性能等都有很大的影响。
[0069]对随机森林的训练包括对随机森林中的随机模型（RandomnessModel)、回归树 中间节点上的弱分类器模型（WeakLearnerModel)、分类终止条件模型（EndCondition Model)、回归树的叶子节点预测模型（LeafPredictionModel)和作为中间节点上数据的 二分割标准的能量模型（EnergyModel)的训练。因此，实验需要针对这些模型，设置相应 的参数（详见表1)，对随机森林的训练过程进行控制。
[0070] 除了上述模型相关的参数之外，还需要设置参数对随机森林的基本属性（例如随 机森林的大小）进行控制。
[0071] 本次实验设定结构体forestModel来记录随机森林的相关参数，该结构体的元素 及其含义和缺省值或初始值设置如表1所示。
[0072]表lforestModel结构体元素设定表（随机森林参数设定表）
[0073]
[0074]
[0075] 由于步骤1中得到的图像特征块集合巨大，当训练图像集中有η张图像时