CN104658014A - 一种检测活体内色度异常的方法 - Google Patents

Abstract

本发明公开了一种检测活体内色度异常的方法，包括：步骤1，将图像转换到HSV颜色空间和RGB颜色空间，从所述HSV颜色空间和RGB颜色空间中提取图像的光谱特征，筛选出光谱特征符合预设条件的像素点，该像素点为初筛像素点；步骤2，利用BP神经网络数学模型对所述初筛像素点进行再次筛选，得到色度异常的像素点，该像素点为异常像素点；步骤3，图像中连续分布的异常像素点组成异常块，获取各异常块中的异常像素点的数量，其中异常像素点数量最多的异常块定义为最大异常块，将最大异常块与色度异常图像的预设阈值进行比较，根据设置阈值进行判断色度异常图像或者为色度正常图像。本发明判断异常块准确快速。

Description

一种检测活体内色度异常的方法

技术领域

本发明涉及医药医疗领域，尤其涉及一种检测活体内色度异常的方法。

背景技术

消化道疾病大多会引起消化道粘膜色度或结构的改变，消化道粘膜色度异常可能由出血引起，而出血可以是消化道本身的炎症、溃疡、机械性损伤、血管病变、肿瘤等因素引起，也可因邻近器官的病变和全身性疾病累及消化道所致。用于检测出血的方法目前已知的有内镜检查，血管造影，X线钡剂检查，放射性核素显像等方法，但是，内镜检查难以到达小肠，而其他方法对较小的出血病因部位的诊断有一定的困难。针对以上问题，本发明提供一种检测活体内色度异常的方法，用于检测由出血引起的消化道内色度异常的改变。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别提出了一种检测活体内色度异常的方法。

为了实现本发明的上述目的，本发明提供了一种检测活体内色度异常的方法，其关键在于，包括如下步骤：

步骤1，将图像转换到HSV颜色空间和RGB颜色空间，分别从所述HSV颜色空间和RGB颜色空间中提取图像光谱特征数据，首先筛选出符合图像光谱特征数据预设条件的像素点，该像素点定义为初筛像素点；

步骤2，利用BP神经网络数学模型对所述初筛像素点进行再次筛选，得到色度异常像素点，该像素点定义为异常像素点；

步骤3，图像中连续分布的异常像素点组成异常块，获取各异常块中的异常像素点的数量，其中异常像素点数量最多的异常块定义为最大异常块，将最大异常块与色度异常图像的预设阈值进行比较，所述最大异常块的异常像素点数量如果大于所述预设阈值则说明所述图像为色度异常图像，如果小于所述预设阈值则说明所述图像为色度正常图像。

所述的检测活体内色度异常的方法，优选的，所述步骤1包括：

步骤1-1，计算机医用影像工作站接收来自便携式图像记录仪数据存储单元的图像数据，将存储单元的图像数据转换为HSV颜色空间和RGB颜色空间，获得在HSV颜色空间中整幅图像的平均色调值H_avg，平均饱和度值S_avg，获得在RGB颜色空间中整幅图像的红色分量平均值R_avg，绿色分量平均值G_avg，蓝色分量平均值B_avg，从所述HSV颜色空间和RGB颜色空间中提取该图像的图像光谱特征数据，所述图像光谱特征数据作为所述预设条件的像素点阈值设定基础；

步骤1-2，所述存储单元的图像数据中，单一像素点的像素点光谱特征数据是HSV颜色空间中像素点的色调值H，饱和度值S，亮度值V，以及在RGB颜色空间中像素点的红色分量R，绿色分量G，蓝色分量B，如果该像素点光谱特征数据在图像光谱特征数据范围内，将该像素点筛选出来，该像素点定义为初筛像素点。

所述的检测活体内色度异常的方法，优选的，所述预设条件为图像中各个像素点的色调值H满足在区间[0°，30°]或[340°，360°]之间，饱和度值S在区间[0.5，1.0]内，亮度值V在区间[0.25，1.0]内，用公式表示为：

其中，p(x，y)为图像中的任意一个像素点，H，S，V是HSV颜色空间中每个图像像素点的色调值、饱和度值和亮度值；

通过以上的条件筛选后，能够检测图像中色度异常的像素点，但同时引入了大量色度正常的像素点，所述预设条件根据提取的图像光谱特征作进一步调整，由公式：

$H\_\mathrm{th}=\left\{\begin{array}{cc}H\_\mathrm{avg}-H\_\mathrm{avg}\×(R\_\mathrm{avg}-(G\_\mathrm{avg}+B\_\mathrm{avg}))/255& \mathrm{if}(R\_\mathrm{avg}-G\_\mathrm{avg})>40\\ H\_\mathrm{avg}& \mathrm{otherwise}\end{array}\right.$ 计算出新的色调门限阈值H_th，判断像素点p(x，y)是否为色度异常像素点的条件变为：

为进一步减小对色度异常像素点的误检，在RGB颜色空间中，对以上所述筛选出的色度异常像素点通过公式：

进一步筛选，得到所述的初筛像素点。

所述的检测活体内色度异常的方法，优选的，所述步骤2包括：

步骤2-1，所述BP神经网络数学模型包括输入层、输出层、隐含层，采集活体内图像中色度异常像素点和色度正常像素点的R、G、B值，作为BP神经网络输入层的三维特征向量输入，选择样本S{x₁,x₂,...,x_n}为神经网络的训练样本，其中，x_i,i＝1,2,...,n为三维特征向量，即像素的RGB向量值，n为样本个数；输出层为一维特征向量T＝{m₁,m₂,...,m_n},m_i＝0,1为像素点对应的结果输出，0表示色度正常，1表示色度异常，BP神经网络的中间层考虑到计算的复杂度，中间层采用一层，神经元设为5个，BP神经网络中的传递函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数，采用Sigmoid函数，即

$f\left(x\right)=\frac{1}{1-e^{-x}};$

步骤2-2，将初筛像素点输入到经过步骤2-1训练完成的BP神经网络中，对每个初筛像素点进行判断，直到整幅图像结束，检测出整幅图像中真正的异常像素点。

所述的检测活体内色度异常的方法，优选的，所述步骤3连续分布的异常像素点是指所述异常像素点周围八个像素点内至少存在一个色度异常像素点，则表示这两个异常像素点连续。

所述的检测活体内色度异常的方法，优选的，所述步骤3中的色度异常图像的预设阈值能够调节，所述预设阈值越小，检测出的异常块也越小，这样，通过所述预设阈值的调节，检测出含有较小色度异常块的图像，减小漏检的概率。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

计算机医用影像工作站接收来自记录仪中的图像数据，通过色空间转换过程，将图像数据转换到HSV和RGB两种颜色空间，并分别提取出图像的光谱特征，根据预先设定的色度异常像素点的判断条件，初步筛选出图像中满足所述预设条件的像素点，这些点定义为初筛像素点，为了提高准确性，再对所述初筛像素点利用BP(Back Propagation Network后向传播)神经网络数学模型对其进一步判断，得到色度异常的像素点，这些点定义为异常像素点，最后分别统计出由连续异常像素点组成的异常块中所含的像素点个数，找到含有最多连续异常像素点的区域，再与色度异常图像预设值进行比较，得到整幅图像是否为色度异常图像的结论，通过处理器将整个消化道内存在色度异常的图像显示出来。

本发明将颜色空间中的图像光谱信息与BP神经网络学习方法结合起来，能够弥补如果仅采用BP神经网络用于检测色度异常像素点自身算法的缺点如收敛速度慢，运行效率相对较低等，所述方法采用颜色空间中的图像的光谱特征预先对像素点进行初筛，再对筛选出的像素点利用BP神经网络数学模型对其进一步判断，能更准确的判断色度异常像素点，并减少了将整幅图像每个像素点都采用BP神经网络进行判断的时间，进而大大提高了检测速度。另外，本发明通过统计最大色度异常像素块中像素点的数量同预设阈值进行比较，所述预设阈值可调，通过所述预设阈值的调节，能够将含有较小色度异常块的图像检测出来，进而减小漏检率。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明的一个实施例的示意图；

图2为无线电内窥胶囊的示意图；

图3为本发明实施例便携式图像记录仪的原理图；

图4为本发明实施例公开的检测色度异常的流程图；

图5为本发明实施例公开的活体内色度异常检测后标记出的像素点结果示意图；

参见附图：图中A——无线电内窥胶囊、B——便携式图像记录仪、C——计算机医用影像工作站、D——便携式图像记录仪天线阵。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本发明提供了一种检测活体内色度异常的方法，其关键在于，包括如下步骤：

步骤1，将图像转换到HSV颜色空间和RGB颜色空间，分别从所述HSV颜色空间和RGB颜色空间中提取图像光谱特征数据，首先筛选出符合图像光谱特征数据预设条件的像素点，该像素点定义为初筛像素点；

步骤2，利用BP神经网络数学模型对所述初筛像素点进行再次筛选，得到色度异常像素点，该像素点定义为异常像素点；

步骤3，图像中连续分布的异常像素点组成异常块，获取各异常块中的异常像素点的数量，其中异常像素点数量最多的异常块定义为最大异常块，将最大异常块与色度异常图像的预设阈值进行比较，所述最大异常块的异常像素点数量如果大于所述预设阈值则说明所述图像为色度异常图像，如果小于所述预设阈值则说明所述图像为色度正常图像。

通过可吞咽的无线电内窥胶囊拍摄到的活体内的图像来进行自动分析确定是否存在色度异常的医用装置，包括无线电内窥胶囊A、便携式图像记录仪B及其天线阵D及计算机医用影像工作站C，见图1。自动分析基于活体内图像光谱特征，所述图像光谱特征包含在HSV颜色空间中整幅图像的平均色调值H_avg，平均饱和度值S_avg，平均亮度值V_avg，在RGB颜色空间中整幅图像的红色分量平均值R_avg，绿色分量平均值G_avg，蓝色分量平均值B_avg，所述图像光谱特征作为所述预设条件的阈值设定，利用各个像素点的光谱特征包含色调值、饱和度值、亮度值和RGB值，来与预先设定的色度异常像素点的判断条件做比较，初步筛选出图像中满足所述预设条件的像素点，定义为初筛像素点。图像光谱特征是在HSV和RGB颜色空间中计算出的六个平均参数。

计算机医用影像工作站接收来自便携式图像记录仪数据存储单元的图像数据，将存储单元的图像数据转换为HSV颜色空间和RGB颜色空间，获得在HSV颜色空间中整幅图像的平均色调值H_avg，平均饱和度值S_avg，获得在RGB颜色空间中整幅图像的红色分量平均值R_avg，绿色分量平均值G_avg，蓝色分量平均值B_avg，从所述HSV颜色空间和RGB颜色空间中提取该图像的图像光谱特征数据，所述图像光谱特征数据作为所述预设条件的像素点阈值设定基础；

所述存储单元的图像数据中，单一像素点的像素点光谱特征数据是HSV颜色空间中像素点的色调值H，饱和度值S，亮度值V，以及在RGB颜色空间中像素点的红色分量R，绿色分量G，蓝色分量B，如果该像素点光谱特征数据在图像光谱特征数据范围内，将该像素点筛选出来，该像素点定义为初筛像素点。

为了提高准确性，再对初筛像素点利用BP神经网络数学模型对其进一步判断，最后分别计算出由连续异常像素点组成的异常块中所含的像素点个数，找到含有最多异常像素点的区域，再与色度异常图像预设值进行比较，得到整幅图像是否为色度异常图像的结论。

图2为所述无线电内窥胶囊A示意图，由光照单元1、图像采集单元2、微处理器3和数据收发单元4组成。其中，图像采集单元2通过数据收发单元4向便携式图像记录仪B发送信息和图像数据，数据收发单元4接收来自图像记录仪B发出的控制指令，送经微处理器6处理后可以控制所述胶囊A的光照单元1及图像采集单元2。便携式图像记录仪B包含收发天线阵D、无线收发模块5、微处理器6、数据存储单元7和电源8；其中，无线收发模块5将天线阵D接收的信息处理后通过总线的方式与微处理器6相连，或将来自微处理器6控制端口的信息通过天线阵D发送给胶囊A，见图3所示为便携式图像记录仪B的示意图。所述计算机医用影像工作站C接收来自便携式图像记录仪B存储单元7的图像数据，或者可以将无线终端发送的信息通过总线的方式与便携式记录仪B的微处理器6连接，经过处理后，再发送给胶囊A。

在本发明的实施例中，对接收到的图像进行颜色空间转换，并提取光谱特征，通过分析每个像素点的光谱特征和BP神经网络相结合的判断方法，进而得出图像是否存在色度异常的结论。色度异常可以因为消化道本身的炎症、溃疡、机械性损伤、血管病变、肿瘤等因素引起，在图像上的光谱特征表现为与正常区域相比，色度异常区域呈现出饱和度较高的红色分量，并且，色度异常区域的灰度低于正常区域。这是因为，色度异常区域呈现饱和度较高的红色，即掺入的白光较少，灰度值较低；而某些正常区域有时也呈现出红色，但是饱和度较低，即掺入了大量的白光，灰度值由于白光成分而偏高。所以色度异常像素的特征，便是呈现饱和度较高的红色和较低的灰度值。

对于分析和提取光谱特征而言，选择合适的颜色空间模型是首要的也最重要的一步。合适的颜色空间模型的选择是基于具体应用来考虑的。HSV是最常见的一种基于视觉感知的颜色空间。H表示颜色所对应的色调；S为饱和度，表示了一种颜色的纯度，当一种颜色混合了白光后，其饱和度就会降低；V表示亮度。色调和饱和度组成了一种颜色的色度。本发明的实施例中采用了HSV和RGB两种颜色空间，在所述两种颜色空间中提取图像的光谱特征，并针对异常像素点的光谱特征预先设定出条件，以初步检测所述图像中满足预设条件的像素点。

参见图4，示出了本发明所采用的方法流程图。计算机医用影像工作站C接收来自便携式图像记录仪B存储单元7的图像数据，通过色空间转换102步骤，这里的图像数据可以是RGB、YCbCr或者YUV等，通过102步骤将图像转换到HSV和RGB两种颜色空间，如果图像数据本身为HSV或者RGB类型，则只需要转换到另外一种如RGB或者HSV颜色空间，通过步骤103提取光谱特征，在HSV颜色空间中得到整幅图像的平均色调值H_avg，平均饱和度值S_avg，在RGB颜色空间中得到整幅图像的红色分量平均值R_avg，绿色分量平均值G_avg，蓝色分量平均值B_avg。通过下面式子初步筛选出是否为色度异常像素点的预设条件为：

其中，这里，p(x，y)为图像中的任意像素点，H，S，V是HSV颜色空间中每个图像像素点的色调、饱和度和亮度。

通过上述条件能够检测出色度异常像素点，但同时引入了大量色度正常的像素点，为此，预设条件根据整幅图像在HSV颜色空间中的平均色调值H_avg，平均饱和度值S_avg以及在RGB颜色空间中整幅图像的红色分量平均值R_avg，绿色分量平均值G_avg，蓝色分量平均值B_avg作进一步调整，由公式得到判断色度异常像素点的新的色调门限阈值H_th：

$H\_\mathrm{th}=\left\{\begin{array}{cc}H\_\mathrm{avg}-H\_\mathrm{avg}\×(R\_\mathrm{avg}-(G\_\mathrm{avg}+B\_\mathrm{avg}))/255& \mathrm{if}(R\_\mathrm{avg}-G\_\mathrm{avg})>40\\ H\_\mathrm{avg}& \mathrm{otherwise}\end{array}\right.$

此时，判断色度异常像素点的条件变为：

为进一步减小误检，联合RGB颜色空间，采用以下判断条件做进一步筛查。

这里，R，G，B是RGB颜色空间中每个图像像素点的红色、绿色和蓝色分量值。以上所述方法通过附图4中的步骤103～104实现，这样，初步筛选出了图像中疑似色度异常的像素点。为进一步提高对真正色度异常像素点的检测准确率和降低对正常像素点的误检率，本发明采用BP神经网络数学模型对所述初步筛选出的疑似色度异常像素点做进一步检测。

BP神经网络由输入层、输出层、隐含层构成，本发明采用典型色度异常和正常组织的R、G、B值，作为BP神经网络输入层的三维特征向量输入，选择样本S{x₁,x₂,...,x_n}为神经网络的训练样本，其中，x_i,i＝1,2,...,n为三维特征向量，即像素的RGB向量值，n为样本个数。BP神经网络的输出层为1维特征向量T＝{m₁,m₂,...,m_n},m_i＝0,1为像素点对应的结果输出，0表示色度正常，1表示色度异常。(0即为未出血，1为出血)BP神经网络的中间层考虑到计算的复杂度，中间层采用一层，神经元设为5个，即本发明所述的实施例中采用的BP神经网络的架构为3-5-1(但是本发明保护的范围不仅限于此BP神经网络的架构形式)。BP神经网络中的传递函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数，本实施例中采用了Sigmoid函数，即本实施例中采用了8000个特征向量对该BP神经网络进行训练，最大迭代次数设为20000，得到训练后的BP神经网络，收敛误差接近0。

将经过了步骤104后的疑似色度异常像素点输入到上述训练好的BP神经网络中，通过步骤105BP神经网络模型判断，如果结果为1，则该像素点即确定为最终的色度异常像素点，否则，该像素点视为正常像素点，继续对下一个疑似色度异常像素点进行以上步骤104，105的判断，直到整幅图像判断结束(见步骤104～108)，这样，便完成了对整幅图像中真正色度异常像素点的检测。

通过所述方法检测出的图像色度异常像素点，这些像素点可能是连续的，也可能是非连续的，见附图5所示，为经过了第一次初步筛选和经过BP神经网络检测后的图像像素点的结果示意图，1表示该像素点为色度异常的像素点，0表示正常像素点，色度异常连续的像素点构成了色度异常块，这里所述连续的意思是色度异常像素点周围八个像素点内存在至少一个色度异常的像素点，则表示这两个像素点连续，以附图5为例，其中的色度异常像素点一共构成了3个异常块，另外还有一个孤立的色度异常像素点，该孤立的色度异常像素点可以忽略不计。所述周围八个像素点是指的图像中的非边缘像素点而言，非边缘像素点的周围才存在八个像素，而对于图像边缘像素点而言，则其周围就没有八个像素相邻，边缘像素点相邻的像素点有的只有3个有的只有5个，例如见图5中四个角的像素点只有3个相邻像素，而除去这四个角的其他的边缘像素相邻点为5个。

本发明所述方法以最大色度异常块作为判断该图像是否存在色度异常为依据，首先统计出图像中所有色度异常块中分别含有的色度异常像素点个数(步骤109)，找到含有最多色度异常像素点的区域的最大异常块(步骤110)，如附图5中，色度异常块1即为含有最多色度异常像素点的区域(即最大异常块)，最后通过与用于判断色度异常图像预设阈值(步骤111)进行比较，如果大于该阈值则得出所述图像为色度异常图像的结论(步骤112)，否则，如果小于该阈值则得出所述图像为色度正常图像的结论(步骤113)。所述阈值可以调节，阈值越小，检测出的色度异常块越小，反之，阈值越大，检测出的色度异常块也越大，这样，通过阈值的调节，可以检测出含有较小色度异常块的图像，能够减小漏检的概率。结果在本发明实施例中的计算机医用影像工作站C中显示出来，并给出图像色度异常块大小的相关信息。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (6)

1.一种检测活体内色度异常的方法，其特征在于，包括如下步骤：

步骤1，将图像转换到HSV颜色空间和RGB颜色空间，分别从所述HSV颜色空间和RGB颜色空间中提取图像光谱特征数据，首先筛选出符合图像光谱特征数据预设条件的像素点，该像素点定义为初筛像素点；

步骤2，利用BP神经网络数学模型对所述初筛像素点进行再次筛选，得到色度异常像素点，该像素点定义为异常像素点；

步骤3，图像中连续分布的异常像素点组成异常块，获取各异常块中的异常像素点的数量，其中异常像素点数量最多的异常块定义为最大异常块，将最大异常块与色度异常图像的预设阈值进行比较，所述最大异常块的异常像素点数量如果大于所述预设阈值则说明所述图像为色度异常图像，如果小于所述预设阈值则说明所述图像为色度正常图像。

2.根据权利要求1所述的检测活体内色度异常的方法，其特征在于，所述步骤1包括：

步骤1-1，计算机医用影像工作站接收来自便携式图像记录仪数据存储单元的图像数据，将存储单元的图像数据转换为HSV颜色空间和RGB颜色空间，获得在HSV颜色空间中整幅图像的平均色调值H_avg，平均饱和度值S_avg，获得在RGB颜色空间中整幅图像的红色分量平均值R_avg，绿色分量平均值G_avg，蓝色分量平均值B_avg，从所述HSV颜色空间和RGB颜色空间中提取该图像的图像光谱特征数据，所述图像光谱特征数据作为所述预设条件的像素点阈值设定基础；

步骤1-2，所述存储单元的图像数据中，单一像素点的像素点光谱特征数据是HSV颜色空间中像素点的色调值H，饱和度值S，亮度值V，以及在RGB颜色空间中像素点的红色分量R，绿色分量G，蓝色分量B，如果该像素点光谱特征数据在图像光谱特征数据范围内，将该像素点筛选出来，该像素点定义为初筛像素点。

3.根据权利要求2所述的检测活体内色度异常的方法，其特征在于，包括：所述预设条件为图像中各个像素点的色调值H满足在区间[0°，30°]或[340°，360°]之间，饱和度值S在区间[0.5，1.0]内，亮度值V在区间[0.25，1.0]内，用公式表示为：

其中，p(x，y)为图像中的任意一个像素点，H，S，V是HSV颜色空间中每个图像像素点的色调值、饱和度值和亮度值；

通过以上的条件筛选后，能够检测图像中色度异常的像素点，但同时引入了大量色度正常的像素点，所述预设条件根据提取的图像光谱特征作进一步调整，由公式：

$H\_\mathrm{th}=\left\{\begin{array}{cc}H\_\mathrm{avg}-H\_\mathrm{avg}\×(R\_\mathrm{avg}-(G-\mathrm{avg}+B\_\mathrm{avg}))/255& \mathrm{if}(R\_\mathrm{avg}-G\_\mathrm{avg})>40\\ H\_\mathrm{avg}& \mathrm{otherwise}\end{array}\right.$ 计算出新的色调门限阈值H_th，判断像素点p(x，y)是否为色度异常像素点的条件变为：

为进一步减小对色度异常像素点的误检，在RGB颜色空间中，对以上所述筛选出的色度异常像素点通过公式：

进一步筛选得到所述的初筛像素点。

4.根据权利要求1所述的检测活体内色度异常的方法，其特征在于，所述步骤2包括：

步骤2-1，所述BP神经网络数学模型包括输入层、输出层、隐含层，采集活体内图像中色度异常像素点和色度正常像素点的R、G、B值，作为BP神经网络输入层的三维特征向量输入，选择样本S{x₁,x₂,...,x_n}为神经网络的训练样本，其中，x_i,i＝1,2,...,n为三维特征向量，即像素的RGB向量值，n为样本个数；输出层为一维特征向量T＝{m₁,m₂,...,m_n},m_i＝0,1为像素点对应的结果输出，0表示色度正常，1表示色度异常，BP神经网络的中间层考虑到计算的复杂度，中间层采用一层，神经元设为5个，BP神经网络中的传递函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数，采用Sigmoid函数，即

$f\left(x\right)=\frac{1}{1-e^{-x}};$

步骤2-2，将初筛像素点输入到经过步骤2-1训练完成的BP神经网络中，对每个初筛像素点进行判断，直到整幅图像结束，检测出整幅图像中真正的异常像素点。

5.根据权利要求1所述的检测活体内色度异常的方法，其特征在于，所述步骤3连续分布的异常像素点是指所述异常像素点周围八个像素点内至少存在一个色度异常像素点，则表示这两个异常像素点连续。

6.根据权利要求1所述的检测活体内色度异常的方法，其特征在于，所述步骤3中的色度异常图像的预设阈值能够调节，所述预设阈值越小，检测出的异常块也越小，这样，通过所述预设阈值的调节，检测出含有较小色度异常块的图像，减小漏检的概率。