一种基于svm的胶囊内窥镜图像分类方法
【技术领域】
[0001] 本发明涉及的是一种医学图像处理方法，尤其涉及的是一种基于SVM的胶囊内窥 镜图像分类方法。
【背景技术】
[0002] 目前市面上已经出现的胶囊内镜产品每秒视频约在2~30帧之间，最大时长在8小 时左右。取平均值16帧/秒进行计算总共产生16X60 X60X 8 = 460,800张图像，在近50万张 的照片中寻找有异常的图片不仅费时费力，而且在视觉疲劳时极易错过有异常征兆的图 像;另外，随着胶囊内镜技术的不断发展，影像视频帧率、胶囊供能时间等方面也将不断提 高，届时给医生带来的检测负担将更为严重，诊断效率也更低。因此，为提高图片检索速度， 降低诊断过程中产生的误检率和减轻医生的劳动强度，研制胶囊内镜图像自动识别与分析 系统有着重要的实用价值。
[0003] 随着医学图像处理和模式识别技术的发展，通过计算机来辅助对图像分类、自动 化识别异常图片成为必然趋势。而图像分类结果的好坏与特征信息的选择和分类器设计的 优良都有很大的关系。目前医学方面常用的图像特征有颜色特征、纹理特征、形状特征、空 间关系特征，特征提取方法主要有：（1)基于RGB空间用全局颜色直方图来提取特征；（2)基 于局部图像区域的方法；（3)基于像素特征的方法。影像数据的正异常分类主要通过：（1)通 过搜索引擎；（2)通过和均值化直方图进行曲线比较；（3)基于小波变换、SVM(支持向量机） 等智能分类器进行分类。依据有关研究，将SVM用于医学图像的分类，对改善医学图像分类 的性能具有很好的实用价值。
【发明内容】
[0004] 本发明的目的在于提供一种基于SVM的胶囊内窥镜图像分类方法，该方法用于胶 囊内窥镜图像的处理过程中，通过提取异常病变图像的纹理特征和光谱特征，构建基于高 斯径向基RBF的SVM分类预测模型，从待检测图像中检索出的异常病变图像，实现从海量胶 囊内窥镜图像中快速发现病变图像，从而减轻医生的劳动强度、提高诊断效率。
[0005] 本发明是通过以下技术方案实现的：
[0006] 本发明提供了一种基于SVM的胶囊内窥镜图像分类方法，包括以下步骤：
[0007] 步骤S1: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；
[0008] 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;
[0009] 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Ks的组合核函数K 为：
[0010] Κ=βΚ?+(1-β)Κ8
[0011] 式中:β为组合核函数κ的权值系数；
[0012] 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：
[0013]
[0014] 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；
[0015] 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σ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):
[0016]
[0017]
[0018] 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)>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；
[0019] 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。
[0020] 进一步优选地，所述步骤S2中，异常病变图像的纹理特征的提取方法为：
[0021] 步骤S201a:将异常病变图像库中图像转换为灰度图像；
[0022]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；
[0023]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；
[0024] 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〇
[0025] 进一步优选地，所述步骤S204a中，腐蚀与膨胀运算方法为: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K t。
[0026] 进一步优选地，所述步骤S2中，异常病变图像的光谱特征的提取方法为：
[0027]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；
[0028] 步骤S202b:计算整幅图像HSV的平均值瓦尿最大值MAXHSV，最小值MINHSV，标准差 σ和方差DX;
[0029] 步骤S203b:以H、S、V、77而、\^^、11灿5￥、〇、0乂作为光谱特征值，构建8维的光谱 特征向量.\- = (7/,\「,77^,对^/~,/1/你//,,几/^)/，即为光谱特征1( 3。
[0030] 进一步优选地，所述步骤S201b中，将图像的颜色空间转换为HSV的方法为：
[0031] 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：
[0032]
[0033]
[0034] V=max
[0035] 本发明与现有技术相比，具有以下优点：
[0036] 1)本发明的基于SVM的胶囊内窥镜图像分类的方法首先对异常病变图像进行学习 训练，然后对待检测的内窥镜图像进行分类，找出待检测图像中的异常病变图像，此方法可 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，大大缩短了医生的阅片时 间，提尚了医生的诊断效率；
[0037] 2)本发明在对胶囊内窥镜诊断图片的特征提取过程中，充分利用了图像的纹理信 息和光谱信息，构建了基于RBF的纹理核函数和光谱核函数，并通过加权组合的方式构建了 胶囊内窥镜诊断图像分类器，大大提高了分类的准确度；
[0038] 3)本发明属于智能学习算法，可将每次诊断确认的异常病变图像作为学习样本加 入异常病变图像库，通过对分类模型不断地学习和训练，可逐步提高分类精度。
【附图说明】
[0039]图1为基于SVM的胶囊内窥镜图像分类方法的具体流程图； 图2为异常病变图像的纹理特征的提取方法的具体流程图； 图3为异常病变图像的光谱特征的提取方法的具体流程图。
【具体实施方式】
[0040]下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行 实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施 例。
[0041 ] 实施例1
[0042]本实施例提供的一种基于SVM的胶囊内窥镜图像分类方法，包括以下步骤：
[0043]步骤S1: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；
[0044]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，其中：
[0045] (1)所述异常病变图像的纹理特征的提取方法为：
[0046]步骤S201a:将异常病变图像库中图像转换为灰度图像；