CN103632154B - 基于二次谐波图像纹理分析的皮肤瘢痕图像判断方法 - Google Patents

Abstract

本发明涉及一种基于二次谐波图像纹理分析的皮肤瘢痕诊断方法，包括以下步骤：将待处理的图像分为训练集和测试集并转化为灰度图像；对灰度图像使用LD‑LBP编码，得到LD‑LBP码图和方差V ₁；对LD‑LBP码图使用Haar小波变换，计算低频子带系数均值U _LL 、方差Var和能量比E_r及水平子带系数均值U _LH ；将V ₁、U _LL 、Var、E_r和U _LH 组成特征向量并进行高斯归一化；将归一化后的特征向量使用模糊K邻近法；输出测试集类别。本发明实现了对皮肤瘢痕的无损诊断，具有较好的识别效果和诊断能力，解决了现有技术诊断瘢痕的有损问题，以帮助医生判断瘢痕种类并采取合理的治疗方式。

Description

基于二次谐波图像纹理分析的皮肤瘢痕图像判断方法

技术领域

本发明属于图像处理、模式识别和生物医学的交叉领域，涉及一种基于二次谐波图像纹理分析的皮肤瘢痕图像判断方法。

背景技术

瘢痕是各种创伤后引起的正常皮肤组织的外形和组织病理学改变的统称。广义上，瘢痕分为生理性(正常)和病理性(异常)瘢痕两大类。正常瘢痕无痛痒症状和功能障碍，但由于具有不稳定性，皮肤变色，且容易扩大等特点，仍然需要进行治疗。异常瘢痕主要分为增生性瘢痕和瘢痕疙瘩，不仅影响美观，影响正常组织修复，甚至发生癌变。不同的瘢痕需要采用不同的方式治疗，有效的区分正常和异常瘢痕能够帮助病人进行合理的医治。目前，对瘢痕的诊断方式主要是临床检查，这种方法涉及活组织切片，对病人的身体具有破坏作用。一种无损的诊断方法是至关重要的。同时，瘢痕组织中的胶原纤维在不同的瘢痕中具有不同的特征，对胶原成像和分析能够对瘢痕进行区分，并能为皮肤科和整形外科带来医学上的新发展。

如今，二次谐波显微成像技术作为一种无损工具已成功的应用于胶原成像。它是一种理想的非侵入生物活体的成像方法，不产生光漂白和光致毒，生成具有较高成像分辨率的图像等，并已广泛的应用于医学领域，如角膜巩膜、卵巢癌以及乳腺组织。然而，医学图像中包含大量病理相关的信息，这些信息不能凭借肉眼直观的评估。随着计算机技术在医学领域的广泛应用发展，计算机辅助分析医学显微图像可以减少人为错误的影响，提高诊断的准确性，节省人力和时间。通过纹理分析可以给出某一具体组织的特征并提取重要信息，从而辅助医生进行临床诊断和疾病治疗。

纹理是图像的重要特征，为图像识别提供大量的信息。纹理特征是一种不依赖于颜色或亮度，反映图像中同质现象的视觉特征。纹理特征的提取就是将区域特征进行量化，以不同的特征值表示一个区域的纹理特征，从而对图像区分。纹理特征提取在医学图像研究中有着良好的应用前景，但是由于纹理的复杂性，迄今还不存在各类医学图像适用的纹理提取方法。从而根据各类不同特点的医学图像，寻求最优的纹理特征与参数是当前研究的重点和难点。因此，本发明根据瘢痕组织的主要细胞外间质成分——胶原纤维的病理特点，针对其二次谐波图像的纹理特征进行分析，实现对正常和异常瘢痕的无损诊断。

发明内容

本发明的目的在于针对现有技术的不足和缺陷，提供一种基于二次谐波图像纹理分析的皮肤瘢痕图像判断方法，该方法有利于实现对皮肤瘢痕图像的无损判断。

为实现上述目的，本发明的技术方案是：一种基于二次谐波图像纹理分析的皮肤瘢痕图像判断方法，包括如下步骤：

(1)将待处理的瘢痕的胶原二次谐波图像随机分为训练集和测试集；

(2)将训练集和测试集中待处理的瘢痕的胶原二次谐波图像转化为灰度图像；

(3)使用LD-LBP方法对灰度图像进行均匀度特征提取，生成LD-LBP码图，并计算LD-LBP方差V₁；所述LD-LBP方法是改进的LBP方法，通过在LBP方法基础上增加对中心与邻域像素灰度值的局部差异幅度值编码得到；

(4)使用Haar小波变换对步骤(3)得到的LD-LBP码图进行方向性、粗糙度特征提取，计算分解后的低频子带系数的均值U_LL、方差Var和能量比E_r，以及水平子带系数的均值U_LH；

(5)将步骤(3)得到的LD-LBP方差V₁，步骤(4)得到的低频子带系数的均值U_LL、方差Var和能量比E_r，以及水平子带系数的均值U_LH组成瘢痕图像纹理的特征向量T，即T＝[V₁,U_LL,Var,E_r,U_LH]；

(6)对步骤(5)得到的瘢痕图像纹理的特征向量T进行高斯归一化；

(7)对训练集和测试集中归一化后的特征向量T使用模糊K邻近法进行处理；

(8)判断并输出测试集中各个瘢痕图像的类别C_k，其中k∈[1,2]，C₁为正常瘢痕图像，C₂为异常瘢痕图像。

进一步的，所述步骤(3)中，使用LD-LBP方法对灰度图像进行均匀度特征提取，包括以下步骤：

(301)分别以灰度图像中除边缘像素点外的各个像素点为中心像素点，以中心像素点及其周围8个像素点构造3×3邻域，分别计算各个邻域内的中心像素点g_c与周围8个像素点g_p(p＝0,1,…,7)的灰度值的局部差异C_p，即C_p＝g_p-g_c；

(302)计算各个局部差异C_p对应的局部差异幅度值S_p，即S_p＝|C_p|；

(303)以灰度图像中所有像素点的局部差异幅度值S_p的均值t为阈值，对各个邻域内8个局部差异幅度值S_p作二值化处理，得到8个为0或1的二进制值，并对邻域内不同位置的这8个二进制值加权求和，即从3×3邻域左上角的第一个二进制值开始，将权值2^p按照顺时针次序依次赋予邻域内这8个二进制值，得其中得到LD-LBP码图；

(304)瘢痕图像纹理的均匀度特征由LD-LBP方差V₁表征，计算邻域内周围8个像素点的LD-LBP方差其中纹理灰度值不均匀，方差较大；反之，方差较小。

进一步的，所述步骤(4)中，使用Haar小波变换对LD-LBP码图进行方向性、粗糙度特征提取，包括以下步骤：

(401)对LD-LBP码图使用Haar小波变换，进行一层小波分解，分别得到低频子带LL、水平子带LH、垂直子带HL以及对角子带HH；

(402)根据瘢痕图像纹理的方向性分布，对低频子带LL和水平子带LH进一步分析：利用均值公式和方差公式计算低频子带LL系数的均值U_LL、方差Var，以及水平子带LH系数的均值U_LH，以表征方向性特征，其中p(i,j)是大小为M×N的子带系数矩阵中坐标为(i,j)的小波分解系数；

(403)瘢痕图像纹理的粗糙性特征由低频子带LL系数的能量比E_r表征，其中E_LL、E_LH、E_HL、E_HH分别表示低频子带LL、水平子带LH、垂直子带HL和对角子带HH系数的能量值，由计算得到。

进一步的，所述步骤(6)中，高斯归一化，包括以下步骤：

(601)设原始特征向量为[f₁,f₂,...,f_n]，计算均值和标准差

(602)利用公式和求其归一化后特征向量[F₁,F₂,...,F_n]。

进一步的，所述模糊K邻近法，其中K是近邻数，根据具体的瘢痕图像数目确定。

进一步的，所述模糊K邻近法，通过找出在训练集中与待分类样本K个近邻的类隶属度以及距离权重来确定待分类样本属于每一类别的可能性，最终得到每个样本属于各个类别的可能性，并取类隶属度值大的类别为待分类样本的类别。

与现有技术相比，本发明的有益效果是：

1、本发明弥补传统LBP方法特征区分性不足的缺点，提出了LD-LBP方法，考虑中心像素点的作用，对中心与邻域像素灰度值之差的幅度值进行编码，并把各邻域内像素点的方差作为对比度来描述均匀度特征；

2、本发明将LD-LBP和小波变换相结合，利用两者的各自优势和互补性，充分提取瘢痕图像进行纹理特征；

3、二次谐波显微成像技术作为一种无损工具已成功的应用于胶原成像，本发明利用这一特点使用瘢痕中的胶原二次谐波图像进行分析；

4、本发明将纹理分析技术应用于二次谐波图像，提供了一种诊断瘢痕的精确方法，而不是通过视觉的直观评估；

5、本发明利用正常和异常瘢痕组织中胶原纤维的不同病理特点，提取胶原二次谐波图像纹理的均匀度、方向性和粗糙度特征作为判别特征；

6、本发明方法对瘢痕的胶原二次谐波图像的纹理特征识别同其他纹理分析方法相比，有更高的识别率和诊断能力；

7、本发明实现了对瘢痕图像的无损判断，可以帮助医生区分瘢痕种类以提供合理的治疗方案；并对其他医学和显微图像的纹理研究具有一定的参考价值。

附图说明

图1是本发明实施例的工作流程图。

图2是本发明实施例中LD-LBP方法的示意图。

图3是本发明实施例中小波分解的示意图。

图4是本发明实施例中使用本发明方法处理一幅正常瘢痕的胶原二次谐波图像的过程示意图。

具体实施方式

本发明基于二次谐波图像纹理分析的皮肤瘢痕图像判断方法，使用改进的局部二值模式(local binary pattern,LBP)和小波变换相结合的方法，提取瘢痕的胶原二次谐波图像的均匀度、方向性、粗糙度三个方面的纹理特征，并使用模糊K邻近法对这些特征进行分析并分类识别出正常和异常瘢痕图像，具体包括如下步骤：

(1)将待处理的瘢痕的胶原二次谐波图像随机分为训练集和测试集。

(2)将训练集和测试集中待处理的瘢痕的胶原二次谐波图像转化为灰度图像。

二次谐波图像的颜色单一，色彩信息对于本发明方法来说没有用处，因此直接将图像转化为灰度图像，且以下步骤均是在此灰度图像的基础上进行处理的。

(3)使用LD-LBP方法(local difference-LBP，局部差异LBP方法)对灰度图像进行均匀度特征提取，生成LD-LBP码图，并计算LD-LBP方差V₁。所述LD-LBP方法是改进的LBP方法，通过在LBP方法基础上增加对中心与邻域像素灰度值的局部差异幅度值编码得到。具体包括以下步骤：

(301)分别以灰度图像中各个像素点(不考虑边缘像素点)为中心像素点，以中心像素点及其周围8个像素点构造3×3邻域，分别计算各个邻域内的中心像素点g_c与周围8个像素点g_p(p＝0,1,…,7)的灰度值的局部差异C_p，即C_p＝g_p-g_c；

(302)计算各个局部差异C_p对应的局部差异幅度值S_p，即S_p＝|C_p|；

(303)以灰度图像中所有像素点的局部差异幅度值S_p的均值t为阈值，对各个邻域内8个局部差异幅度值S_p作二值化处理，得到8个为0或1的二进制值，并对邻域内不同位置的这8个二进制值加权求和，即从3×3邻域左上角的第一个二进制值开始，将权值2^p按照顺时针次序依次赋予邻域内这8个二进制值，得其中得到LD-LBP码图；

(304)瘢痕图像纹理的均匀度特征由LD-LBP方差V₁表征，计算邻域内周围8个像素点的LD-LBP方差其中纹理灰度值不均匀，方差较大；反之，方差较小。

(4)使用Haar小波变换对步骤(3)得到的LD-LBP码图进行方向性、粗糙度特征提取，计算分解后的低频子带系数的均值U_LL、方差Var和能量比E_r，以及水平子带系数的均值U_LH。具体包括以下步骤：

(401)对LD-LBP码图使用Haar小波变换，进行一层小波分解，分别得到低频子带LL、水平子带LH、垂直子带HL以及对角子带HH；

(402)根据瘢痕图像纹理的方向性分布，对低频子带LL和水平子带LH进一步分析：利用均值公式和方差公式计算低频子带LL系数的均值U_LL、方差Var，以及水平子带LH系数的均值U_LH，以表征方向性特征，其中p(i,j)是大小为M×N的子带系数矩阵中坐标为(i,j)的小波分解系数；

(403)瘢痕图像纹理的粗糙性特征由低频子带LL系数的能量比E_r表征，其中E_LL、E_LH、E_HL、E_HH分别表示低频子带LL、水平子带LH、垂直子带HL和对角子带HH系数的能量值，由计算得到。

(5)将步骤(3)得到的LD-LBP方差V₁，步骤(4)得到的低频子带系数的均值U_LL、方差Var和能量比E_r，以及水平子带系数的均值U_LH组成瘢痕图像纹理的特征向量T，即T＝[V₁,U_LL,Var,E_r,U_LH]。

(6)对步骤(5)得到的瘢痕图像纹理的特征向量T进行高斯归一化。具体包括以下步骤：

(601)设原始特征向量为[f₁,f₂,...,f_n]，计算均值和标准差

(602)利用公式和求其归一化后特征向量[F₁,F₂,...,F_n]。

(7)对训练集和测试集中归一化后的特征向量T使用模糊K邻近法(Fuzzy KNN)进行处理。

所述模糊K邻近法，其中K是近邻数，根据具体的瘢痕图像数目确定。

所述模糊K邻近法，通过找出在训练集中与待分类样本K个近邻的类隶属度以及距离权重来确定待分类样本属于每一类别的可能性，最终得到每个样本属于各个类别的可能性，并取类隶属度值大的类别为待分类样本的类别。

(8)判断并输出测试集中各个瘢痕图像的类别C_k，其中k∈[1,2]，C₁为正常瘢痕图像，C₂为异常瘢痕图像。

下面结合附图及具体实施例对本发明作进一步的说明。

图1是本发明的主要步骤流程图。首先将待处理的瘢痕的胶原二次谐波图像分成训练集和测试集；将待处理的瘢痕的胶原二次谐波图像转化为灰度图像；对灰度图像使用LD-LBP方法编码，生成LD-LBP码图并计算其方差V₁；对LD-LBP码图使用Haar小波分解，计算分解后的低频子带系数均值U_LL、方差Var和能量比E_r，及水平子带系数的均值U_LH；将LD-LBP方差V₁，低频子带系数的均值U_LL、方差Var和能量比E_r，以及水平子带系数的均值U_LH作为特征量，则得到特征向量T＝[V₁,U_LL,Var,E_r,U_LH]；对特征向量T进行高斯归一化处理；对训练集和测试集中归一化后的特征向量使用模糊K邻近法处理；输出测试集瘢痕图像类别；

图2是本发明中LD-LBP方法的示意图。其中，(a)是一个中心像素灰度值为21的3×3邻域，(b)是该邻域的局部差异幅度值；(c)是假设阈值t＝15时，对邻域内周围8个局部差异幅度值S_p作二值化处理，得到8个为0或1的二进制值，并从邻域左上角的第一个二进制值开始，将权值2^p(p＝0,1,…,7)按照顺时针次序依次赋予邻域内周围8个二进制值，得到LD-LDP值。

图3是本发明中小波分解的示意图。图像经过一层小波分解后，可以得到4个子图：LL为原图像的低频子图，包含被分解图像的主要信息；高频子图包括：LH水平方向子图；HL垂直方向子图；HH为对角方向子图；

图4是使用本发明方法处理一幅正常瘢痕的胶原二次谐波图像的过程示意图。其中，(a)为瘢痕的胶原二次谐波图像；(b)为(a)转化为灰度图之后的图像；(c)为对(b)进行LD-LBP算法处理，产生的LD-LBP码图；(d)为对(c)进行Haar小波一层分解，生成四个子带。其中，1为低频子带LL；2为水平方向子带LH；3为垂直方向子带HL；4为对角方向子带HH。

实施例1

瘢痕的胶原二次谐波图像的纹理特征提取并分类识别

具体处理过程如下：

步骤1.将待处理的20幅正常和10幅异常瘢痕的胶原二次谐波图像作为样本，其中任意选取8幅正常和5幅异常瘢痕图像作为训练集样本，其他作为测试集样本

步骤2.将训练集和测试集中待处理的二次谐波图像转化为灰度图像

如图4(a)所示的为瘢痕的胶原二次谐波原始图像，转化后的灰度图像如图4(b)所示。

步骤3.对灰度图像使用LD-LBP方法编码进行均匀度特征提取。生成LD-LBP码图，并计算LD-LBP方差V₁

传统LBP算子忽略了局部纹理之间的相互联系，且不能反映像素间的灰度变化信息。为了更准确的描述瘢痕图像的纹理均匀度特征，应该考虑中心像素点。本发明对传统LBP加以改进，弥补传统LBP特征区分性不足的缺点，提出了LD-LBP方法，对中心与邻域像素灰度值之差的幅度值进行编码，如图2所示为LD-LBP方法示意图。同时，把各邻域内像素点的方差作为对比度，从而更好的区分正常和异常瘢痕图像的均匀度特征。如图4(c)所示为LD-LBP编码之后产生的LD-LBP码图。

对于本实施例，LD-LBP方法步骤如下：

①LD-LBP由一个3×3邻域组成，比较邻域内的中心像素点g_c与周围8个像素点g_p(p＝0,1,…,7)的灰度值的局部差异，即C_p＝g_p-g_c；

②计算C_p的幅度值，即S_p＝|C_p|；

③以每个灰度图的局部差异幅度值S_p均值t为阈值对邻域内周围8个S_p作二值化处理，得到一个8位二进制值，并对像素点不同位置加权求和，即其中得到LD-LBP码图；

④正常瘢痕图像的纹理的分布较均匀，而异常瘢痕图像的纹理的分布疏密不一。瘢痕图像的纹理的均匀度特征由LD-LBP方差V₁表征，计算邻域内各像素点的LD-LBP方差其中方差能够提供丰富的纹理信息，纹理灰度值不均匀的邻域，方差较大；反之，方差较小；

⑤按照①-④对训练集和测试集总共30幅胶原二次谐波图像处理，得到对应的30幅LDP码图和30个LD-LBP方差。

步骤4.对步骤3得到的LD-LBP码图使用Haar小波变换进行方向性、粗糙度特征提取。计算分解后的低频子带系数的均值U_LL、方差Var和能量比E_r，以及水平子带系数的均值U_LH

Haar小波变换适用于瘢痕图像的纹理特征提取：(1)保留丰富的高频细节；(2)算法简单，运算速度快；(3)内存占用少。小波分解示意图如图3所示；图4(d)为Haar小波变换一层分解LD-LBP码图之后的结果图。

对于本实施例，Haar小波变换方法步骤如下：

①对LD-LBP码图使用Haar小波变换，进行一层小波分解，分别得到低频子带LL、水平方向子带LH、垂直方向子带HL以及对角方向子带HH；

②根据瘢痕图像的纹理的方向性分布，低频子带LL保留了最完整的信息，而细节信息主要分布在水平方向。所以，对LL和LH子带进一步分析。利用均值公式和方差公式计算低频子带LL的系数均值U_LL、方差Var，以及水平子带LH系数的均值U_LH来表征方向性特征，这里p(i,j)是大小为M×N的子带系数矩阵中坐标为(i,j)的小波分解系数；

③正常瘢痕图像的纹理较粗，而异常瘢痕图像的纹理较为细和复杂。瘢痕图像的纹理的粗糙性特征由低频子带LL的系数能量比E_r表征，其中E_LL,E_LH,E_HL,E_HH分别表示LL,LH,HL和HH子带系数能量值,由计算得到。E_r越大，表明瘢痕图像的纹理越粗；E_r越小，表明瘢痕图像的纹理越细或者越复杂。

④按照①-③对训练集和测试集总共30幅LD-LBP码图进行小波变换，得到对应30组低频子带系数的均值U_LL、方差Var和能量比E_r，以及水平子带系数的均值U_LH。

步骤5将步骤3得到的LD-LBP方差V₁，步骤4得到的低频子带系数的均值U_LL、方差Var和能量比E_r，以及水平子带系数的均值U_LH组成瘢痕图像纹理的特征向量，即T＝[V₁,U_LL,Var,E_r,U_LH]

对于本实施例，对应30幅瘢痕图像的LD-LBP方差V₁、低频子带系数的均值U_LL、方差Var和能量比E_r，以及水平子带系数的均值U_LH，组成30个特征向量。

步骤6将步骤5得到的瘢痕图像纹理的特征向量T进行高斯归一化

由于各特征量的物理意义和取值范围不同，为了避免分类时产生偏差，需要进行归一化。

对于本实施例，高斯归一化的步骤为：

①设原始特征向量为[f₁,f₂,...,f_n]，算得均值和标准差

②利用公式和求其归一化后特征向量[F₁,F₂,...,F_n]。

③按照①-②对30幅瘢痕图像对应的30个特征向量进行高斯归一化。

步骤7将训练集中8幅正常和5幅异常瘢痕图像对应的归一化后的特征向量，以及测试集中12幅正常和5幅异常瘢痕图像对应的归一化后的特征向量，分别送入FKNN分类器中训练和测试

FKNN中K是近邻数，本实施例中K＝10。

FKNN根据待分类的测试集样本的10个近邻的类隶属度以及距离权重,确定待分类测试集样本属于正常和异常瘢痕图像的隶属度。它输出是测试集中每个样本属于正常和异常瘢痕图像的可能性，并取类隶属度值大的类别作为待分类样本的类别。

步骤8输出测试集中各瘢痕图像的类别C_k.(k∈[1,2],C₁为正常瘢痕图像，C₂为异常瘢痕图像)。

本发明的优势可以通过以下实验进一步说明：

实验内容：使用本发明方法对30幅瘢痕的胶原二次谐波图像进行纹理特征提取与分类，另外分别使用灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)、Haar小波变换、传统LBP与Haar小波融合法这三种现有方法进行纹理特征提取，并使用FKNN分类。将本发明方法的效果与他们比较。评价指标为正确率(Accuracy rate)：

参数设置：FKNN中K＝2,4,6,8,10,12。

实验结果：表1和表2分别为不同算法对正常和异常瘢痕图像纹理识别的正确率。可以看出，本算法对正常和异常瘢痕图像的纹理识别都取得了较理想的正确率。传统算法特别是使用单一的算法，如GLCM、Haar小波变换对异常瘢痕图像的纹理识别效果较差。而传统LBP与Haar小波融合的方法对正常瘢痕图像的识别效果不够理想。

表1不同算法对正常瘢痕图像纹理识别的正确率％

表2不同算法对异常瘢痕图像纹理识别的正确率％

综上所述，采用本发明方法对瘢痕的胶原二次谐波图像进行纹理特征提取，利用LD-LBP和小波变换的各自优势和互补性，把二者相结合以分别提取均匀度、方向性、粗糙度三方面的特征，并通过FKNN进行分类，具有极佳的分类效果和诊断能力。相比现有瘢痕的诊断方式，本发明具有无损诊断的优势，以减少病人身体上的损伤，并帮助医生判断瘢痕种类以采取合理的治疗方式。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (3)

1.一种基于二次谐波图像纹理分析的皮肤瘢痕图像判断方法，其特征在于，包括如下步骤：

(1)将待处理的瘢痕的胶原二次谐波图像随机分为训练集和测试集；

(2)将训练集和测试集中待处理的瘢痕的胶原二次谐波图像转化为灰度图像；

(3)使用LD-LBP方法对灰度图像进行均匀度特征提取，生成LD-LBP码图，并计算LD-LBP方差V₁；所述LD-LBP方法是改进的LBP方法，通过在LBP方法基础上增加对中心与邻域像素灰度值的局部差异幅度值编码得到；

(4)使用Haar小波变换对步骤(3)得到的LD-LBP码图进行方向性、粗糙度特征提取，计算分解后的低频子带系数的均值U_LL、方差Var和能量比E_r，以及水平子带系数的均值U_LH；

(5)将步骤(3)得到的LD-LBP方差V₁，步骤(4)得到的低频子带系数的均值U_LL、方差Var和能量比E_r，以及水平子带系数的均值U_LH组成瘢痕图像纹理的特征向量T，即T＝[V₁,U_LL,Var,E_r,U_LH]；

(6)对步骤(5)得到的瘢痕图像纹理的特征向量T进行高斯归一化；

(7)对训练集和测试集中归一化后的特征向量T使用模糊K邻近法进行处理；

(8)判断并输出测试集中各个瘢痕图像的类别C_k，其中k∈[1,2]，C₁为正常瘢痕图像，C₂为异常瘢痕图像；

所述步骤(3)中，使用LD-LBP方法对灰度图像进行均匀度特征提取，包括以下步骤：

(301)分别以灰度图像中除边缘像素点外的各个像素点为中心像素点，以中心像素点及其周围8个像素点构造3×3邻域，分别计算各个邻域内的中心像素点g_c与周围8个像素点g_p(p＝0,1,…,7)的灰度值的局部差异C_p，即C_p＝g_p-g_c；

(302)计算各个局部差异C_p对应的局部差异幅度值S_p，即S_p＝|C_p|；

(303)以灰度图像中所有像素点的局部差异幅度值S_p的均值t为阈值，对各个邻域内8个局部差异幅度值S_p作二值化处理，得到8个为0或1的二进制值，并对邻域内不同位置的这8个二进制值加权求和，即从3×3邻域左上角的第一个二进制值开始，将权值2^p按照顺时针次序依次赋予邻域内这8个二进制值，得其中得到LD-LBP码图；

(304)瘢痕图像纹理的均匀度特征由LD-LBP方差V₁表征，计算邻域内周围8个像素点的LD-LBP方差其中纹理灰度值不均匀，方差较大；反之，方差较小；

所述步骤(4)中，使用Haar小波变换对LD-LBP码图进行方向性、粗糙度特征提取，包括以下步骤：

(401)对LD-LBP码图使用Haar小波变换，进行一层小波分解，分别得到低频子带LL、水平子带LH、垂直子带HL以及对角子带HH；

(402)根据瘢痕图像纹理的方向性分布，对低频子带LL和水平子带LH进一步分析：利用均值公式和方差公式计算低频子带LL系数的均值U_LL、方差Var，以及水平子带LH系数的均值U_LH，以表征方向性特征，其中p(i,j)是大小为M×N的子带系数矩阵中坐标为(i,j)的小波分解系数；

(403)瘢痕图像纹理的粗糙性特征由低频子带LL系数的能量比E_r表征，其中E_LL、E_LH、E_HL、E_HH分别表示低频子带LL、水平子带LH、垂直子带HL和对角子带HH系数的能量值，由计算得到；

所述步骤(6)中，高斯归一化，包括以下步骤：

(601)设原始特征向量为[f₁,f₂,...,f_n]，计算均值和标准差

(602)利用公式和求其归一化后特征向量[F₁,F₂,...,F_n]。

2.根据权利要求1所述的基于二次谐波图像纹理分析的皮肤瘢痕图像判断方法，其特征在于，所述模糊K邻近法，其中K是近邻数，根据具体的瘢痕图像数目确定。

3.根据权利要求2所述的基于二次谐波图像纹理分析的皮肤瘢痕图像判断方法，其特征在于，所述模糊K邻近法，通过找出在训练集中与待分类样本K个近邻的类隶属度以及距离权重来确定待分类样本属于每一类别的可能性，最终得到每个样本属于各个类别的可能性，并取类隶属度值大的类别为待分类样本的类别。