CN104881646B - Wce视频分段提取显著特征信息的方法 - Google Patents
Wce视频分段提取显著特征信息的方法 Download PDFInfo
- Publication number
- CN104881646B CN104881646B CN201510274883.XA CN201510274883A CN104881646B CN 104881646 B CN104881646 B CN 104881646B CN 201510274883 A CN201510274883 A CN 201510274883A CN 104881646 B CN104881646 B CN 104881646B
- Authority
- CN
- China
- Prior art keywords
- image data
- class
- value
- lbp
- tuple
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000011218 segmentation Effects 0.000 title claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000013139 quantization Methods 0.000 claims abstract description 15
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 7
- 239000010749 BS 2869 Class C1 Substances 0.000 claims description 4
- 238000013398 bayesian method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 2
- 241001269238 Data Species 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 6
- 239000002775 capsule Substances 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000000740 bleeding effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000011231 Crohn disease Diseases 0.000 description 1
- 208000005016 Intestinal Neoplasms Diseases 0.000 description 1
- 208000025865 Ulcer Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 230000004456 color vision Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000004798 organs belonging to the digestive system Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 231100000397 ulcer Toxicity 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种WCE视频分段提取显著特征信息的方法，包括如下步骤：步骤1，获取待提取特征信息的图片数据，将待提取特征信息的RGB图片数据的颜色特征转换为HSI颜色特征或者LBP纹理特征，将转换为HSI颜色特征后的图片数据或者转换为LBP纹理特征后的图片数据进行量化降维；步骤2，对量化降维处理的图片数据通过朴素贝叶斯分类器算法进行分类后，获取带有显著特征信息的WCE视频图像分段模型。本发明在对待具有不同数据特点的数据集合时，稳定性较强。该算法的分类效果精确。
Description
技术领域
本发明涉及计算机领域，尤其涉及一种WCE视频分段提取显著特征信息的方法。
背景技术
通常胶囊内镜至少以2f/s(帧每秒)的速率传输所拍摄到的消化道内壁图像，在人体内大约停留8小时，大概产生50000-60000幅图像。胶囊内窥镜(Wireless CapsuleEndoscope,WCE)取代了传统插入式内窥镜。由于胶囊内窥镜在临床领域中扮演着重要的角色，如：消化道不明原因的出血检测，克罗恩病的诊断以及小肠肿瘤诊断等消化道疾病的诊断。然而，这些诊断方法都是非自动的人力密集型的方式，这样的方式需要消耗医生大量的时间以及精力。即使是一个训练有素的专家医生通过这些手工的方法来检测WCE视频图像的异常图像，如：出血或者溃疡的图像，也需要超过一个小时的时间，对于其他非专家医生来说，需要的时间则更长，高达3～4个小时。所以，为了解决这一难题，研究者们提出了一些方法来减轻医生的负担。
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，特别创新地提出了一种WCE视频分段提取特征信息的方法。
为了实现本发明的上述目的，本发明提供了一种通过提取HSI特征对WCE视频分段提取显著特征信息的方法，其关键在于，包括如下步骤：
步骤1，获取待提取特征信息的图片数据，将待提取特征信息的图片数据的RGB颜色特征转换为HSI颜色特征，将转换为HSI颜色特征后的图片数据进行量化降维；
步骤2，将量化降维处理的图片数据通过朴素贝叶斯分类器算法进行分类后，获取带有显著特征信息的WCE视频图像分段模型。
所述的通过提取HSI特征对WCE视频分段提取显著特征信息的方法，优选的，步骤1包括：
步骤1-1，输入图像的R、G、B值，其对应的HSI模型中的H、S、I分量由公式计算得到，
I＝(R+G+B)/3
其中，R、G、B为图片像素的红、绿、蓝刺激值。
所述的通过提取HSI特征对WCE视频分段提取显著特征信息的方法，优选的，步骤1还包括：
步骤1-2，色度量化成8个空间，把饱和度量化成3个空间，把亮度分别量化成3个空间，即颜色空间被分层了8×3×3的区间，具体量化值为，
设变量h、s、i，分别表示量化中H、S、I的取值范围，计算如下，
则通过上式分别对H、S、I进行量化，具体量化值如下：
所述的通过提取HSI特征对WCE视频分段提取显著特征信息的方法，优选的，步骤2包括：
步骤2-1，设D是训练元组和其相关联的类标号的集合，每个元组用一个n维属性向量X＝{x1,x2,...,xn}表示，分别描述元组在n个属性集A1,A2,........An对元组的n个度量，且各属性之间相互独立；
步骤2-2，假设有m个类C1,C2,C3,.....Cm，给定元组X，分类法将预测X属于最高后验概率的类，也就是说朴素贝叶斯法预测X属于类Ci，当且仅当P(Ci|X)＞P(Cj|X) 1≤j≤m,j≠i，其中i、j为正整数，
这样，最大化P(Ci|X)，P(Ci|X)最大的类Ci称为最大后验假设，根据贝叶斯定理，
步骤2-3，由于P(X)对所有类为常数，所以P(X|Ci)P(Ci)最大即可，若类是先验概率未知，则通常假定这些类是等概率的，即P(C1)＝P(C2)＝...＝P(Cm)，并据此对P(X|Ci)最大化；否则，最大化P(X|Ci)P(Ci)；
步骤2-4，给定元组的类标号，且属性值有条件地相互独立，因此，
xk表示元组X在属性Ak的值，由于Ak是分类属性，则P(xk|Ci)是D中属性Ak的值为xk的Ci类的元组数|Ci,D|；
步骤2-5，为了预测X的类标号，对每个类Ci，计算P(X|Ci)P(Ci)，该分类法预测输入元组X的类为Ci，当且仅当，
P(X|Ci)P(Ci)＞P(X|Cj)P(Cj), 1≤j≤m,j≠i，
被预测的类标号是使P(X|Ci)P(Ci)最大的Ci。
本发明还公开一种通过提取LBP特征对WCE视频分段提取显著特征信息的方法，其关键在于，包括如下步骤：
步骤1’，获取待提取特征信息的图片数据，提取基于RGB信息的图片数据的LBP纹理特征，将转换为LBP纹理特征后的图片数据进行量化降维；
步骤2’，将量化降维处理的图片数据通过朴素贝叶斯分类器算法进行分类后，获取带有显著特征信息的WCE视频图像分段模型。
所述的通过提取LBP特征对WCE视频分段提取显著特征信息的方法，优选的，所述步骤1’包括：
步骤1’-1，对于图像中每一个像素，将其相邻的8个点进行顺时针或逆时针的比较，如果中心像素值比该邻点大，则将邻点赋值为1，否则赋值为0，通过该过程每个点都会获得一个8位二进制数，即得到该窗口中心像素点的LBP值，并用该LBP值来反映该区域的纹理信息；
步骤1’-2，将提取LBP特征的图片数据进行降维处理。
所述的通过提取LBP特征对WCE视频分段提取显著特征信息的方法，优选的，步骤1’-2包括：
步骤A，找到有两次跳变的LBP二进制模式；
步骤B，从已经找到的二进制模式中，将最长的连续的1或0的长度作为该二进制模式的LBP值。
所述的通过提取LBP特征对WCE视频分段提取显著特征信息的方法，优选的，步骤2’包括：
步骤2’-1，设D是训练元组和其相关联的类标号的集合，每个元组用一个n维属性向量X＝{x1,x2,...,xn}表示，分别描述元组在n个属性集A1,A2,........An对元组的n个度量，且各属性之间相互独立；
步骤2’-2，假设有m个类C1,C2,C3,.....Cm，给定元组X，分类法将预测X属于最高后验概率的类，也就是说朴素贝叶斯法预测X属于类Ci，当且仅当P(Ci|X)＞P(Cj|X) 1≤j≤m,j≠i，其中i、j为正整数，
这样，最大化P(Ci|X)，P(Ci|X)最大的类Ci称为最大后验假设，根据贝叶斯定理，
步骤2’-3，由于P(X)对所有类为常数，所以P(X|Ci)P(Ci)最大即可，若类是先验概率未知，则通常假定这些类是等概率的，即P(C1)＝P(C2)＝...＝P(Cm)，并据此对P(X|Ci)最大化；否则，最大化P(X|Ci)P(Ci)；
步骤2’-4，给定元组的类标号，且属性值有条件地相互独立，因此，
xk表示元组X在属性Ak的值，由于Ak是分类属性，则P(xk|Ci)是D中属性Ak的值为xk的Ci类的元组数|Ci,D|；
步骤2’-5，为了预测X的类标号，对每个类Ci，计算P(X|Ci)P(Ci)，该分类法预测输入元组X的类为Ci，当且仅当，
P(X|Ci)P(Ci)＞P(X|Cj)P(Cj), 1≤j≤m,j≠i，
被预测的类标号是使P(X|Ci)P(Ci)最大的Ci。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
基于HSI颜色空间特征向量的朴素贝叶斯分类器，和基于LBP纹理特征向量的朴素贝叶斯分类器。这两种分类器有各有各自的优秀点，将会提升分段效率，并获得了好的结果。
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是本发明WCE视频分段提取特征信息的方法流程图；
图2是本发明WCE视频分段提取特征信息的方法采集图像信息示意图；
图3是本发明WCE视频分段提取特征信息的方法HSI变换示意图；
图4是本发明WCE视频分段提取特征信息的方法LBP变换示意图。
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。
如图1所示，本发明提供了一种通过提取HSI特征对WCE视频分段提取显著特征信息的方法，其关键在于，包括如下步骤：
步骤1，获取待提取特征信息的图片数据，将待提取特征信息的图片数据的RGB颜色特征转换为HSI颜色特征，将转换为HSI颜色特征后的图片数据进行量化降维；
步骤2，将量化降维处理的图片数据通过朴素贝叶斯分类器算法进行分类后，获取带有显著特征信息的WCE视频图像分段模型。
本发明还公开一种通过提取LBP特征对WCE视频分段提取显著特征信息的方法，其关键在于，包括如下步骤：
步骤1’，获取待提取特征信息的图片数据，提取基于RGB信息的图片数据的LBP纹理特征，将转换为LBP纹理特征后的图片数据进行量化降维；
步骤2’，将量化降维处理的图片数据通过朴素贝叶斯分类器算法进行分类后，获取带有显著特征信息的WCE视频图像分段模型。
特征提取算法
由于图像的特征多种多样，其描述和表示方法也多种多样。我们可以通过分析图2，我们可以看出，WCE的图像不同器官不仅有颜色的变化，而且还有纹理的差异。所有我们将采用两种方式来提取图像特征，方式一是基于颜色空间的特征提取；方式二是基于图像纹理的特征提取以适应不同操作下的不同要求。
1、HSI颜色空间特征提取理论依据
由于无线胶囊内窥镜使用的是彩色摄像机，并且可以得到256×256×256个像素大小的彩色图像，如图2所示。从图2中可以看到不同的消化器官具有不同的彩色特征和性状。所以我们可以提取彩色图像信息的特征来进行疾病诊断。
图2胶囊内镜拍摄的消化道图片，
对于分析和提取彩色特征而言，选择合适的彩色空间模型是首要的也是最重要的一步。合适的色彩空间模型的选择是基于不同的应用和各种因素的考虑的。采用不同的彩色空间模型会极大地影响相关性能。在近百年的发展中，研究人员正对彩色图像的分析和处理问题提出了各种各有的算法，大多数的算法都是在RGB颜色空间中实现的，但RGB颜色空间有一个主要的缺点就是对颜色感知是不均匀的，即两个颜色点之间的距离不等于两个颜色之间的颜色感知的差异，不能之间从RGB数值中估计出颜色的色度、饱和度和亮度等感知熟悉。然而在医学应用中，视觉均匀的彩色空间是很必要的。另外，由于RGB彩色空间各个通道的高度相关性，当每个通道分别分析时会产生很大的色彩偏移。在医学应用中尤其不允许有这种偏移。所以为了克服RGB颜色空间的不均匀和彩色偏移的缺点，在WCE视频图像处理中我们采用了更加符合颜色视觉特性的颜色空间，即HSI颜色空间。HSI颜色空间是采用色度(Hue)、饱和度(Saturation)和亮度(Intensity)三个分量来表征颜色。
如图3所示为基于圆形彩色平面的HSI颜色空间模型。HSI颜色空间由一个垂直的亮度轴I以及垂直于此轴的一个圆形平面上的彩色点的轨迹组成。对于其中任一个颜色点，其H值对应指向该点的矢量与I轴的夹角。该点的S值与指向该点的矢量长度成正比。I的值同该点所在平面与最下方黑色点的距离成正比。
图3基于圆形彩色平面的HSI颜色空间模型
HSI颜色空间和RGB颜色空间只是同一物理量的不同表示法，因而他们之间存在着转换关系。在RGB空间的彩色图像可以方便地转换到HSI空间。本文选用几何推导算法，输入图像的R、G、B值，其对应的HSI模型中的H、S、I分量可由下面的公式计算
I＝(R+G+B)/3
从上面的公式可以看出，色度值在[O，2π]范围内，将其除以2π归一化到[0，1]范围内。由于RGB的值是[0，1]区间内，所以亮度和饱和度也在[0，1]范围内。
2、改进的HSI颜色空间特征提取算法
由于实际运用中，输入图像的R、G和B的值并没有进行归一化，所以运用公式(1)得出H、S、I的范围都不是归一化以后的范围。因此，为了便于计算和分析，我们将公式(1)进行了改进，使得色度值、亮度值和饱和度值的范围都为[0，255]，改进的计算公式如下所示。
I＝(R+G+B)/3
通过公式(2)可得到一幅由256×256×256个HSI彩色空间的像素点表示的WCE视频图像。但是，如果每张图像都由256×256×256HSI彩色空间的像素点表示，这对于计算机来说是极大计算，增大了计算开销，并降低了分段效率。因此，我们对得到的HSI颜色空间的H、S、I值进行了量化。把色度量化成8个空间，把饱和度和亮度分别量化成3个空间，即颜色空间被分层了8×3×3的区间，即我们将维数从16777216降到72维。
量化过程如下：
设变量h、s、i，分别表示量化中H、S、I的取值范围。计算如下：
则通过式(3)、(4)、(5)分别对H、S、I进行量化，具体量化值如下：
3、LBP纹理特征提取理论依据
LBP(Local Binary Pattern，局部二值模式)是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。用于纹理特征提取。
LBP特征提取过程：
对于图像中每一个像素，将其相邻的8个点进行顺时针比较，如果中心像素值比该邻点大，则将邻点赋值为1，否则赋值为0，这样每个点都会获得一个8位二进制数(通常转换为十进制数即LBP码，共有256种)。即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。LBP特征的具体过程如图4所示。
图4、LBP特征值计算过程
4、改进的LBP纹理特征提取算法
如果我直接使用图4所示的计算方式，那么对于每张8比特的RGB图片，每张图片的LBP特征将有256×256×256的维度，这将会有大量的计算开销，这是我们不想看到的结果，所以我们同样对提取出的LBP特征进行降维，以节省计算开销，提高分段效率。
LBP降维过程如下：
(1)找到有两次跳变的LBP二进制模式。
例如：00000111(只含一次从0到1的跳变)，10001111(先由1跳到0，再由0跳到1，共两次跳变)
(2)从已经找到的二进制模式中，将最长的连续的1或0的长度作为该二进制模式的LBP值，取值为1～7
例如：以0的长度作为LBP值，00000001(7)，11101111(1)
通过上面的降维过程，我们将维度由256×256×256＝16777216变为了7×7×7＝343维。通过实验，这种降维方式是可行，并且其大大节省了计算开销。
2.3分类算法
由于WCE视频图像每帧之间的像素信息是相互独立的，因此各帧的各个特征是相互独立的，因此，我们选择朴素贝叶斯分类器进行分类。
朴素贝叶斯分类算法具有简单，高效等优势，在对待具有不同数据特点的数据集合时，分类性能的差别不大，所以稳定性较强。该算法的分类效果比较精确，其主要原因在于需要估计的参数比较少，虽然概率是有偏估计的，但研究者们看重的恰恰不是是绝对值而是排列次序。对于存在缺损的数据，大多数情况下都会在使用前进行预处理，以此提高数据的可行性。
2.3.1贝叶斯定理
贝叶斯定理是关于随机事件H和X的条件概率(或边缘概率)的一则定理，公式如下，
其中P(H|X)是在X发生的情况下H发生的可能性。
在贝叶斯定理中，每个名词都有约定俗成的名称：
P(H)是H的先验概率或边缘概率。之所以称为"先验"是因为它不考虑任何X方面的因素。
P(H|X)是已知X发生后H的条件概率，也由于得自X的取值而被称作H的后验概率。
P(X|H)是已知H发生后X的条件概率，也由于得H的取值而被称作X的后验概率。
P(X)是X的先验概率或边缘概率，也作标准化常量。
朴素贝叶斯分类算法
朴素贝叶斯分类法的工作过程如下：
(1)设D是训练元组和它们相关联的类标号的集合，每个元组用一个n维属性向量X＝{x1,x2,...,xn}表示，分别描述元组在n个属性集A1,A2,........An对元组的n个度量，且各属性之间相互独立。
(2)假设有m个类C1,C2,C3,.....Cm。给定元组X，分类法将预测X属于最高后验概率的类(在条件X下)。也就是说朴素贝叶斯法预测X属于类Ci，当且仅当
P(Ci|X)＞P(Cj|X) 1≤j≤m,j≠i
这样，最大化P(Ci|X)。P(Ci|X)最大的类Ci称为最大后验假设。根据贝叶斯定理(7式)，
(3)由于P(X)对所有类为常数，所以只需要P(X|Ci)P(Ci)最大即可。若类是先验概率未知，则通常假定这些类是等概率的，即P(C1)＝P(C2)＝...＝P(Cm)，并据此对P(X|Ci)最大化。否则，最大化P(X|Ci)P(Ci)。
(4)给定元组的类标号，且属性值有条件地相互独立(即属性之间不存在依赖关系)。因此，
xk表示元组X在属性Ak的值。由于Ak是分类属性，则P(xk|Ci)是D中属性Ak的值为xk的Ci类的元组数|Ci,D|。
(5)为了预测X的类标号，对每个类Ci，计算P(X|Ci)P(Ci)。该分类法预测输入元组X的类为Ci，当且仅当
P(X|Ci)P(Ci)＞P(X|Cj)P(Cj),1≤j≤m,j≠i (10)
换言之，被预测的类标号是使P(X|Ci)P(Ci)最大的Ci。
2.3.3朴素贝叶斯分类器设计
根据朴素贝叶斯分类算法与实际情况相结合，我们的最后得出了基于HSI颜色空间提取特征向量的朴素贝叶斯分类和基于LBP纹理特征提取特征向量的朴素贝叶斯分类。
基于HSI颜色空间提取特征向量的朴素贝叶斯分类器，
工作过程如下：
获取训练样本集，即一个人完整的WCE视频图像；
将每张RGB图像转化成HSI图像，根据公式(2)进行计算转化，并获得初始特征向量Y＝(y1,y2,...,y16777216)。其中，yi(i＝1，2,...,16777216)的对应HSI值的像素点个数的统计量，|yi|＝H×S×I＝i的像素点的个数；
根据公式(6)对每个像素点进行降维处理，得到降维以后的特征向量X＝(x1,x2,...,x72)，xi(i＝1，2，...，72)与(2)的yi同含义；
根据公式(10)，对训练样本集进行训练，即通过朴素贝叶斯算法获得基于HSI颜色空间提取特征向量的朴素贝叶斯分类器；
基于LBP纹理特征提取特征向量的朴素贝叶斯分类器，
获取训练样本集，即一个人完整的WCE视频图像；
根据图4的计算方法来提取每张RGB图像LBP纹理特征，得到一个初始特征向量Y＝(y1,y2,...,y16777216)，其中，yi(i＝1，2,...,16777216)的对的RGB值的像素点个数的统计量，|yi|＝R×G×B＝i的像素点的个数；
对每个像素点进行降维处理，得到降维以后的特征向量X＝(x1,x2,...,x343)，xi(i＝1，2，...，343)与(2)的yi同含义；
根据公式(10)，训练样本集进行训练，即通过朴素贝叶斯算法获得基于LBP提取纹理特征向量的朴素贝叶斯分类器；
LBP(Local Binary Pattern，局部二值模式)是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。
基于HSI颜色空间特征和LBP纹理特征分别获得特征向量，其中对HSI和LBP的特征向量进行量化降维处理，将基于HSI的特征向量从16777216维降到了72维，同理将基于LBP的特征向量从16777216维降到了343维，通过降维大大的提高了计算速率，再结合朴素贝叶斯分类算法进行分类训练，获得了两种分类器，基于HSI颜色空间特征向量的朴素贝叶斯分类器，和基于LBP纹理特征向量的朴素贝叶斯分类器。这两种分类器有各有各自的优秀点，将会提升分段效率，并获得了好的结果。
朴素贝叶斯分类算法具有简单，高效等优势，在对待具有不同数据特点的数据集合时，分类性能的差别不大，所以稳定性较强。该算法的分类效果比较精确。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
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)
1.一种对WCE视频分段提取显著特征信息的方法，其特征在于，包括如下步骤：
步骤1，对于颜色变化明显的图形，获取待提取特征信息的图片数据，将待提取特征信息的图片数据的RGB颜色特征转换为HSI颜色特征，将转换为HSI颜色特征后的图片数据进行量化降维；对于纹理差异明显的图片数据，获取待提取特征信息的图片数据，提取基于RGB信息的图片数据的LBP纹理特征，将转换为LBP纹理特征后的图片数据进行量化降维；
步骤2，将量化降维处理的图片数据通过朴素贝叶斯分类器算法进行分类后，获取带有显著特征信息的WCE视频图像分段模型。
2.根据权利要求1所述的对WCE视频分段提取显著特征信息的方法，其特征在于，步骤1中将RGB颜色特征转换为HSI颜色特征包括：
步骤1-1，输入图像的R、G、B值，其对应的HSI模型中的H、S、I分量由公式计算得到，
其中，R、G、B为图片像素的红、绿、蓝刺激值。
3.根据权利要求2所述的对WCE视频分段提取显著特征信息的方法，其特征在于，步骤1中将转换为HSI颜色特征后的图片数据进行量化降维的过程还包括：
步骤1-2，色度量化成8个空间，把饱和度量化成3个空间，把亮度分别量化成3个空间，即颜色空间被分层了8×3×3的区间，具体量化值为，
设变量h、s、i，分别表示量化中H、S、I的取值范围，计算如下，
则通过上式分别对H、S、I进行量化，具体量化值如下：
4.根据权利要求1所述的对WCE视频分段提取显著特征信息的方法，其特征在于，步骤2包括：
步骤2-1，设D是训练元组和其相关联的类标号的集合，每个元组用一个n维属性向量X＝{x1,x2,...,xn}表示，分别描述元组在n个属性集A1,A2,........An对元组的n个度量，且各属性之间相互独立；
步骤2-2，假设有m个类C1,C2,C3,.....Cm，给定元组X，分类法将预测X属于最高后验概率的类，也就是说朴素贝叶斯法预测X属于类Ci，当且仅当P(Ci|X)＞P(Cj|X)1≤j≤m,j≠i，其中i、j为正整数，
这样，最大化P(Ci|X)，P(Ci|X)最大的类Ci称为最大后验假设，根据贝叶斯定理，
步骤2-3，由于P(X)对所有类为常数，所以P(X|Ci)P(Ci)最大即可，若类是先验概率未知，则通常假定这些类是等概率的，即P(C1)＝P(C2)＝...＝P(Cm)，并据此对P(X|Ci)最大化；否则，最大化P(X|Ci)P(Ci)；
步骤2-4，给定元组的类标号，且属性值有条件地相互独立，因此，
xk表示元组X在属性Ak的值，由于Ak是分类属性，则P(xk|Ci)是D中属性Ak的值为xk的Ci类的元组数|Ci,D|；
步骤2-5，为了预测X的类标号，对每个类Ci，计算P(X|Ci)P(Ci)，该分类法预测输入元组X的类为Ci，当且仅当，
P(X|Ci)P(Ci)＞P(X|Cj)P(Cj),1≤j≤m,j≠i，
被预测的类标号是使P(X|Ci)P(Ci)最大的Ci。
5.根据权利要求1所述的对WCE视频分段提取显著特征信息的方法，其特征在于，所述步骤1中提取基于RGB信息的图片数据的LBP纹理特征包括：
步骤1’-1，对于图像中每一个像素，将其相邻的8个点进行顺时针或逆时针的比较，如果中心像素值比该邻点大，则将邻点赋值为1，否则赋值为0，通过该过程每个点都会获得一个8位二进制数，即得到该窗口中心像素点的LBP值，并用该LBP值来反映该区域的纹理信息；
步骤1’-2，将提取LBP特征的图片数据进行降维处理。
6.根据权利要求5所述的对WCE视频分段提取显著特征信息的方法，其特征在于，步骤1’-2包括：
步骤A，找到有两次跳变的LBP二进制模式；
步骤B，从已经找到的二进制模式中，将最长的连续的1或0的长度作为该二进制模式的LBP值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510274883.XA CN104881646B (zh) | 2015-05-26 | 2015-05-26 | Wce视频分段提取显著特征信息的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510274883.XA CN104881646B (zh) | 2015-05-26 | 2015-05-26 | Wce视频分段提取显著特征信息的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104881646A CN104881646A (zh) | 2015-09-02 |
| CN104881646B true CN104881646B (zh) | 2018-08-03 |
Family
ID=53949134
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510274883.XA Active CN104881646B (zh) | 2015-05-26 | 2015-05-26 | Wce视频分段提取显著特征信息的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104881646B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256572B (zh) * | 2018-01-16 | 2022-04-19 | 哈尔滨职业技术学院 | 一种基于改进朴素贝叶斯的室内视觉特征分类方法 |
| CN110807398A (zh) * | 2019-10-28 | 2020-02-18 | 衢州学院 | 视场区域分割方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101477630A (zh) * | 2009-02-17 | 2009-07-08 | 吴俊� | 智能化水处理微生物机器视觉辨识系统和方法 |
| CN103903008A (zh) * | 2014-03-26 | 2014-07-02 | 国家电网公司 | 一种基于图像识别输电线路的雾等级的方法以及系统 |
| CN203825644U (zh) * | 2014-03-26 | 2014-09-10 | 国家电网公司 | 一种基于图像识别输电线路的雾等级的系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7986859B2 (en) * | 2008-04-16 | 2011-07-26 | Clarity Medical Systems, Inc. | Converting bayer pattern RGB images to full resolution RGB images via intermediate hue, saturation and intensity (HSI) conversion |
-
2015
- 2015-05-26 CN CN201510274883.XA patent/CN104881646B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101477630A (zh) * | 2009-02-17 | 2009-07-08 | 吴俊� | 智能化水处理微生物机器视觉辨识系统和方法 |
| CN103903008A (zh) * | 2014-03-26 | 2014-07-02 | 国家电网公司 | 一种基于图像识别输电线路的雾等级的方法以及系统 |
| CN203825644U (zh) * | 2014-03-26 | 2014-09-10 | 国家电网公司 | 一种基于图像识别输电线路的雾等级的系统 |
Non-Patent Citations (6)
| Title |
|---|
| 一种利用纹理特征和朴素贝叶斯分类器检测近景影像植被的方法;詹总谦等;《武汉大学学报 信息科学版》;20130630;第665页第二栏第2段，第666页第一栏1-6段，第二栏第1-7段 * |
| 基于HSI彩色模型的图像降维技术;周刘冰等;《现代电子技术》;20130715;第80页第二栏第1-5段，第二栏第1-3段 * |
| 基于LBP特征和贝叶斯模型的单样本人脸识别;杨军等;《光电子 激光》;20110531;763-765 * |
| 基于图像特征的香烟品牌分类与真假鉴别研究;张媛媛;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140315;第5-9页，第35-36页 * |
| 基于改进的LBP方法相结合的尿液细胞识别研究;秦颖博;《计算机应用与软件》;20131031;第102页第一栏第3段，第103页第一栏第6-9段、第二栏第1-7段，第104页第二栏第1-4段 * |
| 基于特征融合的WCE图像检索;邹月娴等;《计算机科学》;20131130;320-324 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104881646A (zh) | 2015-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101803899B (zh) | 图像处理装置以及图像处理方法 | |
| CN104751432B (zh) | 一种基于图像重构的可见光与红外图像融合方法 | |
| Li et al. | Computer-aided small bowel tumor detection for capsule endoscopy | |
| CN103198467B (zh) | 图像处理装置以及图像处理方法 | |
| US9773185B2 (en) | Image processing apparatus, image processing method, and computer readable recording device | |
| US20160314567A1 (en) | Systems and methods for image/video recoloring, color standardization, and multimedia analytics | |
| CN106056155A (zh) | 基于边界信息融合的超像素分割方法 | |
| CN104951795B (zh) | 图像分类识别判断方法 | |
| CN104021523B (zh) | 一种基于边缘分类的图像超分辨率放大的方法 | |
| CN104658014A (zh) | 一种检测活体内色度异常的方法 | |
| Hsu et al. | Automatic tongue feature extraction | |
| CN105488475B (zh) | 手机中人脸检测方法 | |
| CN104881646B (zh) | Wce视频分段提取显著特征信息的方法 | |
| CN114511567B (zh) | 舌体与舌苔图像识别分离方法 | |
| Ali et al. | Color-based template selection for detection of gastric abnormalities in video endoscopy | |
| CN108921205A (zh) | 一种基于多特征融合的皮肤病临床图像分类方法 | |
| JP5622903B2 (ja) | 画像処理装置、画像処理装置の作動方法および画像処理プログラム | |
| Mackiewicz et al. | Colour and texture based gastrointestinal tissue discrimination | |
| CN108876789A (zh) | 一种基于超像素和邻域块特征结合的连续图割方法 | |
| Gao et al. | A novel computerized method based on support vector machine for tongue diagnosis | |
| CN112950585B (zh) | 基于液基薄层细胞检测技术的宫颈癌细胞智能检测方法 | |
| CN115049850B (zh) | 一种用于肺部ct影像的纤维化区域的特征提取方法 | |
| Attar et al. | Wireless Micro-Ball endoscopic image enhancement using histogram information | |
| Suman et al. | Automatic detection and removal of bubble frames from wireless capsule endoscopy video sequences | |
| CN109949320B (zh) | 基于熵与互信息的高光谱图像超像元分割方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Method of extracting salient feature information from WCE video segments Effective date of registration: 20210126 Granted publication date: 20180803 Pledgee: Agricultural Bank of China Limited Chongqing Yubei sub branch Pledgor: CHONGQING JINSHAN SCIENCE & TECHNOLOGY (GROUP) Co.,Ltd. Registration number: Y2021500000004 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20220214 Granted publication date: 20180803 Pledgee: Agricultural Bank of China Limited Chongqing Yubei sub branch Pledgor: CHONGQING JINSHAN SCIENCE & TECHNOLOGY (GROUP) Co.,Ltd. Registration number: Y2021500000004 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method of extracting salient feature information from WCE video segmentation Effective date of registration: 20220627 Granted publication date: 20180803 Pledgee: Agricultural Bank of China Limited Chongqing Yubei sub branch Pledgor: CHONGQING JINSHAN SCIENCE & TECHNOLOGY (GROUP) Co.,Ltd. Registration number: Y2022500000034 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20231020 Granted publication date: 20180803 Pledgee: Agricultural Bank of China Limited Chongqing Yubei sub branch Pledgor: Chongqing Jinshan Medical Technology Research Institute Co.,Ltd.|BEIJING ZHONGJIN SILICON VALLEY TECHNOLOGY CO.,LTD.|CHONGQING JINSHAN SCIENCE & TECHNOLOGY (GROUP) Co.,Ltd. Registration number: Y2022500000034 |
|
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 401120 18 neon Road, two Road Industrial Park, Yubei District, Chongqing Patentee after: Chongqing Jinshan Technology Group Co.,Ltd. Country or region after: China Address before: 401120 18 neon Road, two Road Industrial Park, Yubei District, Chongqing Patentee before: CHONGQING JINSHAN SCIENCE & TECHNOLOGY (GROUP) Co.,Ltd. Country or region before: China |