CN103425986B - 基于边缘邻域加权的乳腺肿块图像特征提取方法 - Google Patents

Abstract

本发明公开了一种基于边缘邻域加权的乳腺肿块图像特征提取方法，主要解决现有技术提取的特征中不包含肿块边缘邻域局部特征的缺点。其实现步骤是：（1）输入图像；（2）调整输入乳腺肿块图像大小；（3）提取肿块边缘；（4）确定内缩进和外延伸像素点数目；（5）确定内缩进后肿块的内部区域；（6）确定外延伸后肿块的内部区域；（7）获得乳腺肿块边缘邻域图像；（8）获得加权权值；（9）提取尺度不变特征；（10）提取词袋特征；（11）获得边缘邻域加权的乳腺肿块图像特征。本发明能使乳腺图像的特征表示更为鲁棒，更为有效的表示图像特征，提高肿块的良恶性分类准确率，从而辅助放射科医生进行医学诊断。

Description

基于边缘邻域加权的乳腺肿块图像特征提取方法

技术领域

本发明属于图像处理领域。更进一步涉及在临床医疗诊断领域中一种基于边缘邻域加权的乳腺肿块图像特征提取方法。本发明是根据乳腺肿块图像边缘邻域包含的特征信息更为丰富，增加其中的区域特征权重，从而提高乳腺肿块图像的良恶性分类准确率。可适用于临床医疗诊断图像分类，提高分类准确率，辅助放射科医生进行诊断。

背景技术

目前，在临床医疗诊断中运用的图像特征包括颜色、纹理、形状等全局特征和尺度不变特征（Scale-invariant Feature Transform，SIFT）、方向梯度直方图特征（Histogram of Oriented Gradient，HOG）等局部特征。相比于全局特征，局部特征能表示图像的局部信息，具有更好的鲁棒性，而SIFT特征又因其对旋转、尺度缩放、亮度变化等都能保持局部不变性，在特征表示上优于其它特征表示方法，被广泛运用到图像的特征提取当中。典型的词袋模型（Bag of Words，BoW）基于SIFT特征，将图像分块，并将图像块视为视觉单词，充分利用了SIFT特征的特性，是一种性能很好的特征表示方法。

哈尔滨工程大学提出的专利申请“一种图像特征提取和描述方法”（申请号：201210114061.1，公开号：CN102663401A）公开了一种适用于BoW模型的图像特征提取与描述方法。该方法先判断图像是否为彩色图像，如果是彩色图像，则转换为HSV模型，设置尺度参数，并在H、S、V三个通道提取SIFT特征，如果是灰度图像，则直接提取SIFT特征，然后对提取的特征聚类，获取字典，最后得到字典的统计直方图表示，作为图像特征表示。该方法存在的不足是：方法较为复杂，对灰度图像效果提高不明显，没有包含图像的空间信息，造成对乳腺肿块图像分类的准确率不高。

Erkang Cheng和Nianhua Xie在文章“Mammographic image classificationusing histogram intersection”（Biomedical Imaging:From Nano to Macro,2010IEEE International Symposium,pp.197-200）中，运用BoW作为乳腺图像的特征表示，与典型BoW运用SIFT特征不同，该方法运用的是区域块的纹理特征，然后对纹理特征作直方图统计，以此为图像的特征表示。该方法存在的不足是：没有获取图像的局部特征，对旋转、尺度缩放、亮度变化较为敏感，造成对乳腺肿块图像分类的准确率不高。

西安电子科技大学的学位论文“基于BoW模型与稀疏表示的乳腺肿块”（硕士学位论文，刘泽奇，西安电子科技大学，2012年），将BoW特征直接运用到乳腺肿块的特征提取中。该方法直接获取图像的SIFT特征点，然后对特征点进行聚类，获取字典，以视觉词汇在字典中的直方图表示作为图像特征。该方法存在的不足是：没有突出肿块边缘的重要性，不包含图像的空间信息，分类准确率不高。

钱姗姗和黄静的文章“基于KL距离加权和局部邻域信息的CV模型”（电子学报,2011,(06):1447-1452）中利用Kullback-Leibler（KL）距离作为内外部局部区域能量的权值系数，计算曲线附近点的局部邻域能量之和作为模型的内部能量，从而提高对边缘的检测性能。该方法的不足是：对局部邻域定义不明确，算法较为复杂，不能完全运用在乳腺图像的特征提取当中。

发明内容

本发明的目的在于克服上述现有技术的不足，提出一种基于边缘邻域加权的乳腺肿块图像特征提取方法，以使图像特征表示更为鲁棒，提高乳腺肿块图像的分类准确率。

实现本发明的技术思路是，通过自适应不同大小的图像，提取乳腺肿块边缘邻域，获取乳腺肿块图像的边缘邻域BoW特征，调节加权权值，增加边缘邻域BoW特征在乳腺肿块图像BoW特征中的权重，使得乳腺肿块图像特征包含肿块边缘的空间信息，达到更为精确地提取乳腺肿块图像的边缘邻域，更为合理地加权邻域特征，更为鲁棒地表示图像，提高乳腺肿块图像分类准确率的目的。

为实现上述目的，本发明包括如下主要步骤：

（1）输入图像：输入乳腺钼靶X线摄影图像分割得到的乳腺肿块图像。

（2）调整输入乳腺肿块图像大小：

采用最近邻插值算法调整输入图像大小，将图像宽度大于1000像素点的乳腺肿块图像调整至1000像素点。

（3）提取肿块边缘：

采用Chan-Vese主动轮廓方法提取乳腺肿块图像的轮廓线，乳腺肿块图像每行、列上，轮廓线上点的位置标定为乳腺肿块图像每行、列边缘极小和极大像素点位置。

（4）确定内缩进和外延伸像素点数目：

将乳腺肿块图像宽度乘以内缩进参数0.15，获得行内缩进像素点数目；将乳腺肿块图像高度乘以内缩进参数0.15，获得列内缩进像素点数目；将乳腺肿块图像宽度乘以外延伸参数0.3，获得行外延伸像素点数目；将乳腺肿块图像高度乘以外延伸参数0.3，获得列外延伸像素点数目。

（5）确定内缩进后肿块的内部区域：

5a）用行、列边缘极小像素点位置值加上行、列内缩进像素数目，获得缩进后的行、列极小边缘像素点位置值；

5b）用行、列边缘极大像素点位置值减去行、列内缩进像素数目，获得缩进后的行、列极大边缘像素点位置值；

5c)判断缩进后的行、列极大边缘像素点位置值是否小于缩进后的行、列极小边缘像素点位置值，如果是，则用缩进后的行、列极小边缘像素点位置值替代缩进后的行、列极大边缘像素点位置值，否则，跳到下一步继续执行；

5d）将缩进后的行、列极小边缘像素点位置值和行、列极大边缘像素点位置值区间内的像素点标记为缩进后行、列肿块区域；

5e）叠加乳腺肿块图像全部缩进后的行肿块区域，获得缩进后内部区域M；叠加全部缩进后列肿块区域，获得缩进后内部区域N；

5f）作内部区域M和内部区域N交集，获得内缩进后乳腺肿块图像的内部区域P。

（6）确定外延伸后肿块的内部区域：

6a）用行、列边缘极小像素点位置值减去行、列外延伸像素数目，获得延伸后的行、列极小边缘像素点位置值；

6b）用行、列边缘极大像素点位置值加上行、列外延伸像素数目，获得延伸后的行、列极大边缘像素点位置值；

6c)判断延伸后的行、列极小边缘像素点位置值是否小零，如果是，则用零替代延伸后的行、列极小边缘像素点位置值；判断延伸后的行、列极大边缘像素点位置值是否大于乳腺肿块图像宽、高度，如果是，则用乳腺肿块图像宽、高度替代延伸后的行、列极大边缘像素点位置值，否则，跳到下一步继续执行；

6d）将延伸后的行、列极小边缘像素点位置和行、列极大边缘像素点位置区间内的像素点标记为延伸后行、列肿块区域；

6e）叠加乳腺肿块图像全部缩进后的行肿块区域，获得缩进后内部区域R；叠加全部缩进后列肿块区域，获得缩进后内部区域S；

6f）作内部区域R和内部区域S并集获得外延伸后乳腺肿块图像的内部区域Q。

（7）外延伸后乳腺肿块图像的内部区域Q减去内缩进后乳腺肿块图像的内部区域P，获得乳腺肿块边缘邻域图。

（8）获得加权权值：分别统计乳腺肿块图像和乳腺肿块边缘邻域图像像素点总数，将乳腺肿块边缘邻域图像像素点总数除以乳腺肿块图像像素点总数，获得权值比例值；权值比例值乘以扩大参数10，获得加权权值。

（9）采用尺度不变特征提取方法，分别提取步骤（1）的乳腺肿块图像和步骤（7）获得的乳腺肿块边缘邻域图像中的尺度不变特征描述子。

（10）采用词袋特征提取方法，利用尺度不变特征描述子，获得乳腺肿块图像和乳腺肿块边缘邻域图像的词袋特征向量。

（11）用加权权值乘以乳腺肿块边缘邻域图像的词袋特征向量，获得加权特征向量；用加权特征向量加上乳腺肿块图像的词袋特征向量，获得边缘邻域加权的乳腺肿块图像特征。

本发明与现有方法相比具有如下优点：

第一，由于本发明引入了乳腺肿块图像边缘邻域的特征，克服了现有技术特征提取方法中不包含肿块边缘局部特征的缺点，使得本发明提取的特征具有空间信息，提高了乳腺肿块图像分类准确率。

第二，由于本发明自适应不同大小的乳腺肿块图像，提取乳腺肿块边缘邻域，克服了现有技术边缘邻域确定方法固定、不明确的缺点，使得本发明提取的乳腺肿块图像的边缘邻域更为精确，提取的边缘邻域包含乳腺肿块真实边缘区域更为完整。

第三，由于本发明的加权权值与乳腺肿块图像像素点总数相关，克服了现有技术特征提取加权权值固定的缺点，使得本发明获得的乳腺肿块图像边缘邻域加权特征更为合理。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合附图1，对本发明实现的步骤作进一步的详细描述。

步骤1，输入图像：输入乳腺钼靶X线摄影图像分割得到的乳腺肿块图像。

步骤2，调整输入乳腺肿块图像大小。

采用最近邻插值算法调整输入图像大小，将图像宽度大于1000像素点的乳腺肿块图像调整至1000像素点；最近邻插值算法将目标图像各点的像素灰度值设为源图像中与其最近的点，实现输入图像的缩放。

步骤3，提取肿块边缘。

采用Chan-Vese主动轮廓方法提取乳腺肿块图像的轮廓线，即肿块边缘，乳腺肿块图像每行、列上，轮廓线上点的位置标定为乳腺肿块图像每行、列边缘极小和极大像素点位置。如果乳腺肿块图像的行、列不包含轮廓线，则不标定；如果乳腺肿块图像的行、列只包含轮廓线上的一个点，则将行、列边缘极小和极大像素点位置都标定为该点所在位置。

Chan-Vese主动轮廓方法按如下步骤进行：

第一步，选择参数：选定两个调节参数都为1；选定权值函数参数1.5；选定长度项权重0.1；选定迭代次数值为0；选定最大迭代次数1000；

第二步，随机选取圆周线，作为乳腺肿块轮廓线，通过下面公式得到符号距离函数。

$\mathrm{\φ}(x,y)=\left\{\begin{array}{cc}\sqrt{x^2+y^2-r_0^2}& x^2+y^2>r_0^2\\ -\sqrt{r_0^2-(x^2+y^2)}& x^2+y^2\≤r_0^2\end{array}\right.$

其中，φ(x,y)表示符号距离函数，x、y分别表示随机选取圆周线的横坐标和纵坐标值，r₀表示随机选取圆周线的半径值。

第三步，将乳腺肿块图像中每个像素点坐标值带入符号距离函数中，获得乳腺肿块图像中所有像素点的距离值。

第四步，将乳腺肿块图像中每个像素点距离值带入下式，获得乳腺肿块图像中所有像素点的内部划分演化区域权值。

$H_{\mathrm{\&epsiv;}}\left(z\right)=\left\{\begin{array}{cc}1& z>\mathrm{\&epsiv;}\\ 0& z<-\mathrm{\&epsiv;}\\ 0.5(1+(2/\mathrm{\&pi;})\arctan (z/\mathrm{\&epsiv;}))& \left|z\right|\&le;\mathrm{\&epsiv;}\end{array}\right.$

其中，H_ε(z)表示乳腺肿块图像的内部划分演化区域权值函数，z表示每个像素点距离值，ε表示权值函数参数。

第五步，按照下式，获得肿块轮廓线内、外部区域像素灰度均值。

$c_1=\frac{{\&Integral;}_{\mathrm{\&Omega;}}u(x,y)N(x,y)\mathrm{dxdy}}{{\&Integral;}_{\mathrm{\&Omega;}}N(x.u)\mathrm{dxdy}}$

$c_2=\frac{{\&Integral;}_{\mathrm{\&Omega;}}u(x,y)(1-N(x,y))\mathrm{dxdy}}{{\&Integral;}_{\mathrm{\&Omega;}}N(x,y)\mathrm{dxdy}}$

其中，c₁和c₂分别表示肿块轮廓线内、外部区域像素灰度均值，Ω表示乳腺肿块图像所有像素点坐标值集合，x、y分别表示乳腺肿块图像像素点对应的横、纵坐标值，N(x,y)表示乳腺肿块图像的一个像素点内部划分演化区域权值。

第六步，按照下式，获得乳腺肿块轮廓线曲率。

$\mathrm{\&kappa;}=\&dtri;\&CenterDot;\frac{\&dtri;\mathrm{\&phi;}}{|\&dtri;\mathrm{\&phi;}|}$

其中，κ表示乳腺肿块轮廓线曲率，表示微分算子，φ表示符号距离函数。

第七步，利用以下几何曲线演化方程，获得乳腺肿块图像的新符号距离函数。

${\mathrm{\&phi;}}^{\&prime;}=\&Integral;\frac{d{H}_{\mathrm{\&epsiv;}}\left(\mathrm{\&phi;}\right)}{\mathrm{d\&phi;}}[\mathrm{\&mu;\&kappa;}-\mathrm{\&mu;}-{\mathrm{\&lambda;}}_1{(u(x,y)-c_1)}^2+{\mathrm{\&lambda;}}_2{(u(x,y)-c_2)}^2]\mathrm{dt}$

其中，φ'表示乳腺肿块图像的新符号距离函数，表示在符号距离函数φ上对乳腺肿块图像的内部划分演化区域权值函数H_ε(φ)求导，μ表示长度项权重，κ表示乳腺肿块轮廓线曲率，λ₁和λ₂表示两个调节参数，c₁和c₂分别表示轮廓线内、外部区域像素灰度均值，x、y分别表示乳腺肿块图像像素点对应的横、纵坐标值，u(x,y)表示乳腺肿块图像的一个像素点灰度值。

第八步，将乳腺肿块图像中每个像素点坐标值带入乳腺肿块图像的新符号距离函数中，获得乳腺肿块图像中所有像素点的新距离值。

第九步，判断乳腺肿块图像中每个像素点的新距离值是否等于零，如果等于零，则将该像素点标记为新轮廓点；对乳腺肿块图像中所有像素点的新距离值进行判断，获得乳腺肿块图像所有的新轮廓点；将乳腺肿块图像所有的新轮廓点拟合为乳腺肿块图像的新轮廓线。

第十步，将乳腺肿块图像的轮廓线与新轮廓线之间的距离相减，获得迭代曲线差值。

第十一步，用乳腺肿块图像的新轮廓线、新符号距离函数，替换乳腺肿块图像轮廓线、符号距离函数。

第十二步，将迭代次数值加1，判断迭代次数值是否超过最大迭代次数，如果超过最大迭代次数，则停止迭代，输出乳腺肿块图像的轮廓线；否则，转向第十三步。

第十三步，判断迭代曲线差值是否小于迭代误差值0.5，如果小于迭代误差值，则停止迭代，输出乳腺肿块图像的轮廓线；否则，转向第三步，继续迭代。

步骤4，确定内缩进和外延伸像素点数目。

将乳腺肿块图像宽度乘以内缩进参数0.15，获得行内缩进像素点数目；将乳腺肿块图像高度乘以内缩进参数0.15，获得列内缩进像素点数目；将乳腺肿块图像宽度乘以外延伸参数0.3，获得行外延伸像素点数目；将乳腺肿块图像高度乘以外延伸参数0.3，获得列外延伸像素点数目。内缩进参数和外延伸参数分别控制乳腺肿块图像轮廓线内缩进和外延伸程度大小。

步骤5，确定内缩进后肿块的内部区域。

第一步，用行、列边缘极小像素点位置值加上行、列内缩进像素数目，获得缩进后的行、列极小边缘像素点位置值。

第二步，用行、列边缘极大像素点位置值减去行、列内缩进像素数目，获得缩进后的行、列极大边缘像素点位置值。

第三步，判断缩进后的行、列极大边缘像素点位置值是否小于缩进后的行、列极小边缘像素点位置值，如果是，则用缩进后的行、列极小边缘像素点位置值替代缩进后的行、列极大边缘像素点位置值，否则，跳到下一步继续执行。

第四步，将缩进后的行、列极小边缘像素点位置值和行、列极大边缘像素点位置值区间内的像素点标记为缩进后行、列肿块区域。

第五步，叠加乳腺肿块图像全部缩进后的行肿块区域，获得缩进后内部区域M；叠加全部缩进后列肿块区域，获得缩进后内部区域N。

第六步，作内部区域M和内部区域N交集，获得内缩进后乳腺肿块图像的内部区域P。

步骤6，确定外延伸后肿块的内部区域。

第一步，用行、列边缘极小像素点位置值减去行、列外延伸像素数目，获得延伸后的行、列极小边缘像素点位置值。

第二步，用行、列边缘极大像素点位置值加上行、列外延伸像素数目，获得延伸后的行、列极大边缘像素点位置值。

第三步，判断延伸后的行、列极小边缘像素点位置值是否小零，如果是，则用零替代延伸后的行、列极小边缘像素点位置值；判断延伸后的行、列极大边缘像素点位置值是否大于乳腺肿块图像宽、高度，如果是，则用乳腺肿块图像宽、高度替代延伸后的行、列极大边缘像素点位置值，否则，跳到下一步继续执行。

第四步，将延伸后的行、列极小边缘像素点位置和行、列极大边缘像素点位置区间内的像素点标记为延伸后行、列肿块区域。

第五步，叠加乳腺肿块图像全部缩进后的行肿块区域，获得缩进后内部区域R；叠加全部缩进后列肿块区域，获得缩进后内部区域S。

第六步，作内部区域R和内部区域S并集获得外延伸后乳腺肿块图像的内部区域Q。

步骤7，外延伸后乳腺肿块图像的内部区域Q减去内缩进后乳腺肿块图像的内部区域P，获得乳腺肿块边缘邻域图像。

步骤8，获得加权权值：分别统计乳腺肿块图像和乳腺肿块边缘邻域图像像素点总数，将乳腺肿块边缘邻域图像像素点总数除以乳腺肿块图像像素点总数，获得权值比例值；权值比例值乘以扩大参数10，获得加权权值。

步骤9，采用尺度不变特征提取方法，分别提取步骤1的乳腺肿块图像和步骤7获得的乳腺肿块边缘邻域图像中的尺度不变特征描述子。

尺度不变特征提取方法按如下步骤进行：

第一步，对于乳腺肿块图像和乳腺肿块边缘邻域的图像，按图像长宽大小16×16分割成图像块集合，将最大图像块数目设定为1000。

第二步，在以3.2为初始值，2^0.2为步长的尺度范围内，分别选取3.2、3.676、4.222、4.85、5.572五个尺度值，将五个尺度值分别带入下式，得到五个不同尺度的高斯函数；

$G(x,y,\mathrm{\&sigma;})=\frac{1}{2\mathrm{\&pi;}{\mathrm{\&sigma;}}^2}{e}^{-(x^2+y^2)}$

其中，G(x,y,σ)表示在σ尺度值下的高斯函数，σ表示所选取五个不同尺度中的一个尺度值，x、y分别表示图像块像素点对应的横、纵坐标值。

第三步，将第一步的每个图像块分别与五个不同尺度的高斯函数卷积，获得第一阶五层图像集；将第一阶五层图像集的每幅图像隔点采样，获得第二阶五层图像集；将第二阶五层图像集的每幅图像隔点采样，获得第三阶五层图像集；将同层相邻阶的图像相减，获得二阶五层差分图像集；获得所有图像的二阶五层差分图像集，所有图像的二阶五层差分图像集就是高斯差分尺度空间。

第四步，将高斯差分尺度空间中图像的每个像素点，分别与该像素点位置相邻的8个像素点和同阶上下层图像位置相邻的18个像素点进行灰度值大小比较，判断该像素点是否是极值点，如果该像素点是极值点，则标记为粗特征点，否则，不标记；对高斯差分尺度空间中图像的每个像素点进行极值点判断，获得高斯差分尺度空间中所有图像的粗特征点。

第五步，按照下式，计算高斯差分尺度空间中每个粗特征点的对比度；

$C=\frac{{(\mathrm{\&alpha;}+\mathrm{\&beta;})}^2}{\mathrm{\&alpha;\&beta;}}$

其中，C表示高斯差分尺度空间中粗特征点的对比度，α，β分别表示高斯差分尺度空间中的粗特征点在图像像素点横、纵坐标方向的梯度值。

第六步，判断高斯差分尺度空间中每个粗特征点的对比度是否小于边缘点对比度阈值10，如果小于，则标记该粗特征点为关键点，否则，不标记；对高斯差分尺度空间中所有图像的粗特征点进行对比度大小判断，获得高斯差分尺度空间中所有图像的关键点。

第七步，根据如下梯度计算公式，计算高斯差分尺度空间中图像的每个像素点梯度大小和方向，获得高斯差分尺度空间中图像的所有像素点梯度大小和方向。

$\left\{\begin{array}{c}m(x,y)=\sqrt{{(L(x+1,y)-L(x-1,y))}^2+{(L(x,y+1)-L(x,y-1))}^2}\\ \mathrm{\&theta;}(x,y)={\tan }^{-1}((L(x,y+1)-L(x,y-1))/(L(x+1,y)-L(x-1,y)))\end{array}\right.$

其中，x，y分别表示高斯差分尺度空间中图像像素点对应的横、纵坐标值，L(x,y)表示高斯差分尺度空间中图像像素点所在图像对应图像层的尺度值，m(x,y)表示高斯差分尺度空间中图像的像素点梯度大小，θ(x,y)表示高斯差分尺度空间中图像的像素点梯度方向。

第八步，向量描述方法计算尺度不变特征描述子：统计高斯差分尺度空间中每个关键点周边16×16个像素点的梯度方向，获得梯度方向直方图；将梯度方向直方图峰值所在方向作为该关键点的主方向，将坐标轴旋转到关键点主方向，以关键点为中心，取4×4个像素点子区域，其中每个像素点子区域有16个像素，统计每个像素点子区域中以45°为步长的8个方向的梯度，得到每个像素点子区域的8维向量表示；将所有像素点子区域的8维向量组合，获得高斯差分尺度空间中每个关键点的4×4×8=128维尺度不变特征描述子。

第九步，对高斯差分尺度空间中图像的每个关键点，按照向量描述方法计算尺度不变特征描述子，获得高斯差分尺度空间中所有图像关键点的尺度不变特征描述子。

第十步，将高斯差分尺度空间中所有图像关键点的尺度不变特征描述子，按相同位置分别映射到乳腺肿块图像和乳腺肿块边缘邻域图像中，获得乳腺肿块图像和乳腺肿块边缘邻域图像中的尺度不变特征描述子。

步骤10，采用词袋特征提取方法，利用尺度不变特征描述子，获得乳腺肿块图像和乳腺肿块边缘邻域图像的词袋特征向量。

词袋特征提取方法按如下步骤进行：

第一步，从乳腺肿块图像的尺度不变特征描述子中随机选择200个尺度不变特征描述子作为200个聚类中心向量。

第二步，按照下式，计算乳腺肿块图像的尺度不变特征描述子属于聚类中心向量的隶属度：

$u_{\mathrm{ij}}=\frac{1}{\underset{k=1}{\overset{200}{\mathrm{\&Sigma;}}}{\left(\frac{d_{\mathrm{ij}}}{d_{\mathrm{kj}}}\right)}^2}$

其中，u_ij表示第j个尺度不变特征描述子属于第i个聚类中心向量的隶属度，d_kj表示第j个尺度不变特征描述子与第k个聚类中心向量的欧式距离值，d_ij表示第j个尺度不变特征描述子与第i个聚类中心向量的欧式距离值。

第三步，按照下式，更新每个聚类中心向量：

$k_i=\frac{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}^2{X}_j}{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}^2}$

其中，k_i表示更新后的第i个聚类中心向量，n表示尺度不变特征描述子个数，u_ij表示第j个尺度不变特征描述子属于第i个聚类中心向量的隶属度，X_j表示第j个尺度不变特征描述子的坐标值。

第四步，按照下式，获得聚类中心向量的目标值：

$J=\underset{i=1}{\overset{200}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ij}}^2{d}_{\mathrm{ij}}^2$

其中，J表示目标值，n表示尺度不变特征描述子个数，u_ij表示第j个尺度不变特征描述子属于第i个聚类中心向量的隶属度，d_ij表示第j个尺度不变特征描述子与第i个聚类中心向量的欧式距离值。

第五步，判断聚类中心向量的目标值是否小于迭代停止阈值0.02，如果小于，则停止迭代，获得聚类中心向量，跳转到下一步，否则，返回第二步，继续迭代。

第六步，计算乳腺肿块图像和乳腺肿块边缘邻域图像中的每个尺度不变特征描述子与每个聚类中心向量的欧式距离值。

第七步，对于乳腺肿块图像和乳腺肿块边缘邻域图像中每个尺度不变特征描述子，选取与该尺度不变特征描述子欧式距离值最小的聚类中心向量V，并将V标记为该尺度不变特征描述子隶属的聚类中心向量。

第八步，分别统计乳腺肿块图像和乳腺肿块边缘邻域图像的所有尺度不变特征描述子隶属于每个聚类中心向量的个数，组合所有聚类中心向量的统计个数，获取乳腺肿块图像和乳腺肿块边缘邻域图像的词袋特征向量。

步骤11，用加权权值乘以乳腺肿块边缘邻域图像的词袋特征向量，获得加权特征向量；用加权特征向量加上乳腺肿块图像的词袋特征向量，获得边缘邻域加权的乳腺肿块图像特征。

本发明的效果可以通过以下仿真实验做进一步的说明。

1.仿真条件

本发明是在中央处理器为Intel(R)Core i3-21003.10GHZ、内存4G、WINDOWS7操作系统上，运用MATLAB软件进行的仿真。

2.仿真内容

本发明对大量乳腺钼靶X线摄影图像进行了测试实验，测试图像来自于DDSM数据库中任意选取的600幅分割之后的疑似乳腺肿块图像，其中良恶性乳腺肿块图像各300幅。

本发明以分类准确率为指标对方法性能进行评测，仿真对比了不同特征提取方法对肿块图像进行分类的准确率。仿真实验中，任意选取600幅疑似乳腺肿块图像中的300幅图像做训练集，其中良恶性乳腺肿块图像各150幅，剩余300幅图像做测试集。训练集训练支持向量机（Support Vector Machine,SVM）分类器，测试集测试分类结果，得到分类准确率。重复100次实验，获得分类准确率的平均值。分类准确率表征SVM分类器对测试集的分类结果与真值相符合的程度。在保证分类模型相同的情况下，分类准确率直接反映了图像特征的优劣，因此分类准确率越高，表明图像特征越好。

本发明的仿真实验对比了多种特征提取方法对600幅疑似乳腺肿块图像进行分类的准确率，对比的多种特征提取方法包括潜在狄利克雷分布（Latent DirichletAllocation,LDA）方法、低秩表示与词袋（LRR-BoW）结合的方法、空间词包特征与LDA（SBoF-LDA）结合的方法、BoW方法和本发明方法。对比实验结果如下表所示。

由上表可见，本发明的分类准确率是五种方法中最高的，这是因为本发明突出了包含丰富信息的乳腺肿块边缘，所以能够更好地描述乳腺肿块特征，由此获得在分类准确率上优于其他特征提取方法的效果，进一步验证了算法的先进性。

综上所述，本发明能有效地表示乳腺肿块图像特征，提高了乳腺肿块的良恶性分类准确率，从而辅助放射科医生进行医学诊断。

Claims (4)

1.基于边缘邻域加权的乳腺肿块图像特征提取方法，包括如下步骤：

(1)输入图像：输入乳腺钼靶X线摄影图像分割得到的乳腺肿块图像；

(2)调整输入乳腺肿块图像大小：

采用最近邻插值算法调整输入图像大小，将图像宽度大于1000像素点的乳腺肿块图像调整至1000像素点；

(3)提取肿块边缘：

采用Chan-Vese主动轮廓方法提取乳腺肿块图像的轮廓线，乳腺肿块图像每行、列上，轮廓线上点的位置标定为乳腺肿块图像每行、列边缘极小和极大像素点位置；

(4)确定内缩进和外延伸像素点数目：

将乳腺肿块图像宽度乘以内缩进参数0.15，获得行内缩进像素点数目；将乳腺肿块图像高度乘以内缩进参数0.15，获得列内缩进像素点数目；将乳腺肿块图像宽度乘以外延伸参数0.3，获得行外延伸像素点数目；将乳腺肿块图像高度乘以外延伸参数0.3，获得列外延伸像素点数目；

(5)确定内缩进后肿块的内部区域：

5a)用行、列边缘极小像素点位置值加上行、列内缩进像素数目，获得缩进后的行、列极小边缘像素点位置值；

5b)用行、列边缘极大像素点位置值减去行、列内缩进像素数目，获得缩进后的行、列极大边缘像素点位置值；

5c)判断缩进后的行、列极大边缘像素点位置值是否小于缩进后的行、列极小边缘像素点位置值，如果是，则用缩进后的行、列极小边缘像素点位置值替代缩进后的行、列极大边缘像素点位置值，否则，跳到下一步继续执行；

5d)将缩进后的行、列极小边缘像素点位置值和行、列极大边缘像素点位置值区间内的像素点标记为缩进后行、列肿块区域；

5e)叠加乳腺肿块图像全部缩进后的行肿块区域，获得缩进后内部区域M；叠加全部缩进后列肿块区域，获得缩进后内部区域N；

5f)作内部区域M和内部区域N交集，获得内缩进后乳腺肿块图像的内部区域P；

(6)确定外延伸后肿块的内部区域：

6a)用行、列边缘极小像素点位置值减去行、列外延伸像素数目，获得延伸后的行、列极小边缘像素点位置值；

6b)用行、列边缘极大像素点位置值加上行、列外延伸像素数目，获得延伸后的行、列极大边缘像素点位置值；

6c)判断延伸后的行、列极小边缘像素点位置值是否小于零，如果是，则用零替代延伸后的行、列极小边缘像素点位置值；判断延伸后的行、列极大边缘像素点位置值是否大于乳腺肿块图像宽、高度，如果是，则用乳腺肿块图像宽、高度替代延伸后的行、列极大边缘像素点位置值，否则，跳到下一步继续执行；

6d)将延伸后的行、列极小边缘像素点位置和行、列极大边缘像素点位置区间内的像素点标记为延伸后行、列肿块区域；

6e)叠加乳腺肿块图像全部缩进后的行肿块区域，获得缩进后内部区域R；叠加全部缩进后列肿块区域，获得缩进后内部区域S；

6f)作内部区域R和内部区域S并集获得外延伸后乳腺肿块图像的内部区域Q；

(7)外延伸后乳腺肿块图像的内部区域Q减去内缩进后乳腺肿块图像的内部区域P，获得乳腺肿块边缘邻域图像；

(8)获得加权权值：分别统计乳腺肿块图像和乳腺肿块边缘邻域图像像素点总数，将乳腺肿块边缘邻域图像像素点总数除以乳腺肿块图像像素点总数，获得权值比例值；权值比例值乘以扩大参数10，获得加权权值；

(9)采用尺度不变特征提取方法，分别提取步骤(1)的乳腺肿块图像和步骤(7)获得的乳腺肿块边缘邻域图像中的尺度不变特征描述子；

(10)采用词袋特征提取方法，利用尺度不变特征描述子，获得乳腺肿块图像和乳腺肿块边缘邻域图像的词袋特征向量；

(11)用加权权值乘以乳腺肿块边缘邻域图像的词袋特征向量，获得加权特征向量；用加权特征向量加上乳腺肿块图像的词袋特征向量，获得边缘邻域加权的乳腺肿块图像特征。

2.根据权利要求1所述的基于边缘邻域加权的乳腺肿块图像特征提取方法，其特征在于，步骤(3)所述的Chan-Vese主动轮廓方法，按如下步骤进行：

第一步，选择参数：选定两个调节参数都为1；选定权值函数参数1.5；选定长度项权重0.1；选定迭代次数值为0；选定最大迭代次数1000；

第二步，随机选取圆周线，作为乳腺肿块轮廓线，通过下面公式得到符号距离函数：

$\mathrm{\&phi;}\left(x,y\right)=\left\{\begin{array}{cc}\sqrt{x^2+y^2-r_0^2}& x^2+y^2>r_0^2\\ -\sqrt{r_0^2-(x^2+y^2)}& x^2+y^2\&le;r_0^2\end{array}\right.$

其中，φ(x,y)表示符号距离函数，x，y分别表示随机选取圆周线的横坐标和纵坐标值，r₀表示随机选取圆周线的半径值；

第三步，将乳腺肿块图像中每个像素点坐标值带入符号距离函数中，获得乳腺肿块图像中所有像素点的距离值；

第四步，将乳腺肿块图像中每个像素点距离值带入下式，获得乳腺肿块图像中所有像素点的内部划分演化区域权值：

$H_{\mathrm{\&epsiv;}}\left(z\right)=\left\{\begin{array}{cc}1& z>\mathrm{\&epsiv;}\\ 0& z<-\mathrm{\&epsiv;}\\ 0.5(1+(2/\mathrm{\&pi;})arctan(z/\mathrm{\&epsiv;}))& \left|z\right|\&le;\mathrm{\&epsiv;}\end{array}\right.$

其中，H_ε(z)表示乳腺肿块图像的内部划分演化区域权值函数，z表示每个像素点距离值，ε表示权值函数参数；

第五步，按照下式，获得肿块轮廓线内、外部区域像素灰度均值；

$c_1=\frac{{\&Integral;}_{\mathrm{\&Omega;}}u(x,y)N(x,y)dxdy}{{\&Integral;}_{\mathrm{\&Omega;}}N(x,y)dxdy}$

$c_2=\frac{{\&Integral;}_{\mathrm{\&Omega;}}u(x,y)(1-N(x,y))dxdy}{{\&Integral;}_{\mathrm{\&Omega;}}N(x,y)dxdy}$

其中，c₁和c₂分别表示肿块轮廓线内、外部区域像素灰度均值，Ω表示乳腺肿块图像所有像素点坐标值集合，x、y分别表示乳腺肿块图像像素点对应的横、纵坐标值，N(x,y)表示乳腺肿块图像的一个像素点内部划分演化区域权值，u(x,y)表示乳腺肿块图像的一个像素点灰度值；

第六步，按照下式，获得乳腺肿块轮廓线曲率：

$\mathrm{\&kappa;}=\&dtri;\&CenterDot;\frac{\&dtri;\mathrm{\&phi;}}{|\&dtri;\mathrm{\&phi;}|}$

其中，κ表示乳腺肿块轮廓线曲率，表示微分算子，φ表示符号距离函数；

第七步，利用以下几何曲线演化方程，获得乳腺肿块图像的新符号距离函数：

${\mathrm{\&phi;}}^{\&prime;}=\&Integral;\frac{{\mathrm{dH}}_{\mathrm{\&epsiv;}}\left(\mathrm{\&phi;}\right)}{d\mathrm{\&phi;}}\&lsqb;\mathrm{\&mu;}\mathrm{\&kappa;}-\mathrm{\&mu;}-{\mathrm{\&lambda;}}_1{\left(u\right(x,y)-c_1)}^2+{\mathrm{\&lambda;}}_2{\left(u\right(x,y)-c_2)}^2\&rsqb;dt$

其中，φ'表示乳腺肿块图像的新符号距离函数，表示在符号距离函数φ上对乳腺肿块图像的内部划分演化区域权值函数H_ε(φ)求导，μ表示长度项权重，κ表示乳腺肿块轮廓线曲率，λ₁和λ₂表示两个调节参数，c₁和c₂分别表示轮廓线内、外部区域像素灰度均值，x、y分别表示乳腺肿块图像像素点对应的横、纵坐标值，u(x,y)表示乳腺肿块图像的一个像素点灰度值；

第八步，将乳腺肿块图像中每个像素点坐标值带入乳腺肿块图像的新符号距离函数中，获得乳腺肿块图像中所有像素点的新距离值；

第九步，判断乳腺肿块图像中每个像素点的新距离值是否等于零，如果等于零，则将该像素点标记为新轮廓点；对乳腺肿块图像中所有像素点的新距离值进行判断，获得乳腺肿块图像所有的新轮廓点；将乳腺肿块图像所有的新轮廓点拟合为乳腺肿块图像的新轮廓线；

第十步，将乳腺肿块图像的轮廓线与新轮廓线之间的距离相减，获得迭代曲线差值；

第十一步，用乳腺肿块图像的新轮廓线、新符号距离函数，替换乳腺肿块图像轮廓线、符号距离函数；

第十二步，将迭代次数值加1，判断迭代次数值是否超过最大迭代次数，如果超过最大迭代次数，则停止迭代，输出乳腺肿块图像的轮廓线；否则，转向第十三步；

第十三步，判断迭代曲线差值是否小于迭代误差值0.5，如果小于迭代误差值，则停止迭代，输出乳腺肿块图像的轮廓线；否则，转向第三步，继续迭代。

3.根据权利要求1所述的基于边缘邻域加权的乳腺肿块图像特征提取方法，其特征在于，步骤(9)所述的尺度不变特征提取方法，按如下步骤进行：

第一步，对于乳腺肿块图像和乳腺肿块边缘邻域的图像，按图像长宽大小16×16分割成图像块集合，将最大图像块数目设定为1000；

第二步，在以3.2为初始值，2^0.2为步长的尺度范围内，分别选取3.2、3.676、4.222、4.85、5.572五个尺度值，将五个尺度值分别带入下式，得到五个不同尺度的高斯函数；

$G(x,y,\mathrm{\&sigma;})=\frac{1}{2\mathrm{\&pi;}{\mathrm{\&sigma;}}^2}{e}^{-(x^2+y^2)}$

其中，G(x,y,σ)表示在σ尺度值下的高斯函数，σ表示所选取五个不同尺度中的一个尺度值，x、y分别表示图像块像素点对应的横、纵坐标值；

第三步，将第一步的每个图像块分别与五个不同尺度的高斯函数卷积，获得第一阶五层图像集；将第一阶五层图像集的每幅图像隔点采样，获得第二阶五层图像集；将第二阶五层图像集的每幅图像隔点采样，获得第三阶五层图像集；将同层相邻阶的图像相减，获得二阶五层差分图像集；获得所有图像的二阶五层差分图像集，所有图像的二阶五层差分图像集就是高斯差分尺度空间；

第四步，将高斯差分尺度空间中图像的每个像素点，分别与该像素点位置相邻的8个像素点和同阶上下层图像位置相邻的18个像素点进行灰度值大小比较，判断该像素点是否是极值点，如果该像素点是极值点，则标记为粗特征点，否则，不标记；对高斯差分尺度空间中图像的每个像素点进行极值点判断，获得高斯差分尺度空间中所有图像的粗特征点；

第五步，按照下式，计算高斯差分尺度空间中每个粗特征点的对比度；

$C=\frac{{(\mathrm{\&alpha;}+\mathrm{\&beta;})}^2}{\mathrm{\&alpha;\&beta;}}$

其中，C表示高斯差分尺度空间中粗特征点的对比度，α，β分别表示高斯差分尺度空间中的粗特征点在图像像素点横、纵坐标方向的梯度值；

第六步，判断高斯差分尺度空间中每个粗特征点的对比度是否小于边缘点对比度阈值10，如果小于，则标记该粗特征点为关键点，否则，不标记；对高斯差分尺度空间中所有图像的粗特征点进行对比度大小判断，获得高斯差分尺度空间中所有图像的关键点；

第七步，根据梯度计算公式，计算高斯差分尺度空间中图像的每个像素点梯度大小和方向，获得高斯差分尺度空间中图像的所有像素点梯度大小和方向；

所述的梯度计算公式如下：

$\left\{\begin{array}{c}m(x,y)=\sqrt{{\left(L\right(x+1,y)-L(x-1,y\left)\right)}^2+{\left(L\right(x,y+1)-L(x,y-1\left)\right)}^2}\\ \mathrm{\&theta;}(x,y)={\tan }^{-1}\left(\left(L\left(x,y+1\right)-L\left(x,y-1\right)\right)/\left(L\left(x+1,y\right)-L\left(x-1,y\right)\right)\right)\end{array}\right.$

其中，x，y分别表示高斯差分尺度空间中图像像素点对应的横、纵坐标值，L(x,y)表示高斯差分尺度空间中图像像素点所在图像对应图像层的尺度值，m(x,y)表示高斯差分尺度空间中图像的像素点梯度大小，θ(x,y)表示高斯差分尺度空间中图像的像素点梯度方向；

第八步，向量描述方法计算尺度不变特征描述子：统计高斯差分尺度空间中每个关键点周边16×16个像素点的梯度方向，获得梯度方向直方图；将梯度方向直方图峰值所在方向作为该关键点的主方向，将坐标轴旋转到关键点主方向，以关键点为中心，取4×4个像素点子区域，其中每个像素点子区域有16个像素，统计每个像素点子区域中以45°为步长的8个方向的梯度，得到每个像素点子区域的8维向量表示；将所有像素点子区域的8维向量组合，获得高斯差分尺度空间中每个关键点的4×4×8＝128维尺度不变特征描述子；

第九步，对高斯差分尺度空间中图像的每个关键点，按照向量描述方法计算尺度不变特征描述子，获得高斯差分尺度空间中所有图像关键点的尺度不变特征描述子；

第十步，将高斯差分尺度空间中所有图像关键点的尺度不变特征描述子，按相同位置分别映射到乳腺肿块图像和乳腺肿块边缘邻域图像中，获得乳腺肿块图像和乳腺肿块边缘邻域图像中的尺度不变特征描述子。

4.根据权利要求1所述的基于边缘邻域加权的乳腺肿块图像特征提取方法，其特征在于，步骤(10)所述的词袋特征提取方法，按如下步骤进行：

第一步，从乳腺肿块图像的尺度不变特征描述子中随机选择200个尺度不变特征描述子作为200个聚类中心向量；

第二步，按照下式，计算乳腺肿块图像的尺度不变特征描述子属于聚类中心向量的隶属度：

$u_{ij}=\frac{1}{\underset{k=1}{\overset{200}{\&Sigma;}}{\left(\frac{d_{ij}}{d_{kj}}\right)}^2}$

其中，u_ij表示第j个尺度不变特征描述子属于第i个聚类中心向量的隶属度，d_kj表示第j个尺度不变特征描述子与第k个聚类中心向量的欧式距离值，d_ij表示第j个尺度不变特征描述子与第i个聚类中心向量的欧式距离值；

第三步，按照下式，更新每个聚类中心向量：

$k_i=\frac{\underset{j=1}{\overset{n}{\&Sigma;}}{u}_{ij}^2{X}_j}{\underset{j=1}{\overset{n}{\&Sigma;}}{u}_{ij}^2}$

其中，k_i表示更新后的第i个聚类中心向量，n表示尺度不变特征描述子个数，u_ij表示第j个尺度不变特征描述子属于第i个聚类中心向量的隶属度，X_j表示第j个尺度不变特征描述子的坐标值；

第四步，按照下式，获得聚类中心向量的目标值：

$J=\underset{i=1}{\overset{200}{\&Sigma;}}\underset{j=1}{\overset{n}{\&Sigma;}}{u}_{ij}^2{d}_{ij}^2$

其中，J表示目标值，n表示尺度不变特征描述子个数，u_ij表示第j个尺度不变特征描述子属于第i个聚类中心向量的隶属度，d_ij表示第j个尺度不变特征描述子与第i个聚类中心向量的欧式距离值；

第五步，判断聚类中心向量的目标值是否小于迭代停止阈值0.02，如果小于，则停止迭代，获得聚类中心向量，跳转到下一步，否则，返回第二步，继续迭代；

第六步，计算乳腺肿块图像和乳腺肿块边缘邻域图像中的每个尺度不变特征描述子与每个聚类中心向量的欧式距离值；

第七步，对于乳腺肿块图像和乳腺肿块边缘邻域图像中每个尺度不变特征描述子，选取与该尺度不变特征描述子欧式距离值最小的聚类中心向量V，并将V标记为该尺度不变特征描述子隶属的聚类中心向量；

第八步，分别统计乳腺肿块图像和乳腺肿块边缘邻域图像的所有尺度不变特征描述子隶属于每个聚类中心向量的个数，组合所有聚类中心向量的统计个数，获取乳腺肿块图像和乳腺肿块边缘邻域图像的词袋特征向量。