CN105426446A - Gabor-Zernike特征在医学图像检索中的应用 - Google Patents

Abstract

本发明公开了一种基于内容的旋转不变的Gabor-Zernike方法，主要解决医学图像检索中在大量库文件中快速检索所需图像的问题。其实现过程是：(1)提取所有库文件的Gabor图像特征数据；(2)提取所有库文件的Zernike图像特征数据；(3)提取待检索图像的Gabor图像特征数据；(4)提取待检索图像的Zernike图像特征数据；(5)对所有数据进行相似度比较计算；(6)为所有图像增加高斯噪声；(7)重复步骤(1)到步骤(5)；(8)对比图像检索结果。本发明在医学图像检索方面有显著的优点，即使在有一般噪声的情况下仍可用于快速的医学图像检索。

Description

Gabor-Zernike特征在医学图像检索中的应用

技术领域

本发明属于图像处理技术领域，涉及图像纹理形状特征提取继而进行的数据检索，可用于医学图像检索。

背景技术

随着信息技术的进步,人们可以很容易地使用数码相机拍照，摄像机，网络摄像机视频和智能手机随时随地摄取图像。这一现象使得图像数据库获得爆炸式增长。因此，用户需要使用高效的工具在庞大的图像数据库里搜索他们想要的图像。尤其在医学领域，如何更加有效地存储和检索这些图像资源给当前广大信息领域的科学研究工作者提出了新的要求。基于内容的图像检索已经成为全世界共同的兴趣,检索时最关键的就是要找到描述各图的特征向量,保证差异很大图像的特征向量差别很大,而差异很小图像的特征向量差别很小；如果相反,将会严重影响到检索的结果,因而选取有效的特征向量来描述图像是基于内容图像检索的关键一步。现在常用的特征提取方法有基于灰度、纹理、颜色等提取方法。图像检索领域的难点之一是如何降低在图像数据库检索时候的速率时间问题。

其中，基于内容的旋转不变的Gabor-Zernike方法是将Gabor与Zernike矩阵相结合，用相同的尺度和不同的角度来提取图像的旋转不变纹理特征。一组Gabor滤波器具有不同频率和方向可能有利于从图像中提取有用的特性，Gabor滤波器已被广泛应用于模式分析应用程序中。而Zernike矩是正交矩的一种,比起其他矩有更小的冗余性,并且具有旋转不变性的良好性质,因此考虑将Gabor-Zernike相结合用到医学图像的特征提取中。现有的针对医学图像检索的方法一般是基于灰度直方图或者是语义特征方面的，但是这两种方法精确率不高，而且很依赖于所描述的特征。Gabor-Zernike方法对于图像的边缘检测和纹理特征可以高效快速的进行处理，而且克服了因为特征描述不准确带来的不定因素的影响。

发明内容

本发明的目的在于针对已有的医学图像检索技术缺陷，提出内容的旋转不变的Gabor-Zernike方法，通过Gabor滤波器和Zernike矩的优点来提取特征并应用与医学图像检索中。可以高效快速的检索出图像，并且不受噪声的影响。

实现本发明目的技术方案是通过在了解两种方法的基础上，应用两种方法来进行图像特征提取并完成图像检索，其步骤包括如下：

(1)从MRI图像数据库中提取连续的10张图像，其中1张为待检索图像I_q(x,y)，另9张为检索数据库图像I₁(x,y)I₂(x,y)…I₉(x,y)；

(2)对每一张图像做归一化处理，标准图像尺寸，使得每张图像尺寸相等；

(3)首先采用线性二维Gabor滤波器对待检索图像I_q(x,y)进行特征提取：

(3.1)g(x,y)是Gabor滤波器的基本方程，G(u,v)是对它做傅立叶变换之后的方程；

(3.2)通过对相同公式的叠加，得到一组拥有扩张不变性的Gabor方程g_mn(x,y)，其中M和N是指定的规模和方向的分量，m＝0,1,…,M-1,n＝0,1,…,N-1；

(3.3)对上式进行卷积处理，将得到一个关于离散Gabor波形变换的卷积方程式W_mn；

(3.4)根据Gabor滤波器不一样的方向和大小特征，对P×Q的I_q(x,y)进行量化处理，得到E(m,n)；

(3.5)计算E(m,n)的均值μ_mn和方差σ_mn，最终得到基于Gabor滤波器下的图像特征f_GF＝[μ_mn,σ_mn]；

(4)然后采用Zernike矩阵的特性对待检索图像I_q(x,y)进行特征提取_；

(4.1)通过Zernike多项式V_nm(x,y)得到Zernike矩阵R_nm(ρ)；

(4.2)对P×Q的I_q(x,y)进行量化处理，得到A_nm，最终得到基于Zernike矩阵的图像特征f_ZM＝|A_nm|；

(5)整理数据，得到所需要的图像的特征提取为f＝{f_jk|j∈{GF,ZM},k＝1,2,...,m}；

(6)利用归一化的比较公式d_qi＝d(I_q,I_i)计算待检索图像和库图像之间的相似度，通过输出结果来完成图像的检索。

本发明与现有技术相比具有以下优点：

1、本发明基于对连续医学图像的结构和纹理特性的充分的研究，较全面的考虑到这类医学图像的共同特征与差异点。根据Gabor滤波器和Zernike矩阵在图像特征提取上的显著特点较准确的提取不同图片的特征信息。

2、本发明相对已有的图像检索方法有较高的效率，克服了现有技术中由于描述不准确而引起的精度下降的缺点，使得在有噪声的情况下检索精度更高。

3、本发明相对已有的图像检索方法有较高的效率，并且运行时间较短。

仿真实验结果表明，本发明提出的基于Gabor-Zernike特征在医学图像检索中的应用方法能够有效地运用于图像数据的检索，并且高效快速。

附图说明

图1是本发明的总流程图；

图2是本发明仿真采用的医学图像，图(a)是待检索图像，图(b)是图像库；

图3是本发明仿真采用的经过高斯白噪声处理过的医学图像，图(a)是待检索图像，图(b)是图像库。

具体实施方式

参照图1，本发明的实现包括如下步骤：

步骤1，从MRI图像数据库中提取连续的10张图像，其中1张为待检索图像I_q(x,y)，另9张为检索数据库图像I₁(x,y)I₂(x,y)…I₉(x,y)。

步骤2，对每一张图像做归一化处理，标准图像尺寸，使得每张图像尺寸相等。

步骤3，采用线性二维Gabor滤波器对待检索图像I_q(x,y)进行特征提取。

(3.1)g(x,y)是Gabor滤波器的基本方程，G(u,v)是对它做傅立叶变换之后的方程；

$g(x,y)=\left(\frac{1}{2{\mathrm{\π\σ}}_x{\mathrm{\σ}}_y}\right)\exp \[-\frac{1}{2}\left(\frac{x^2}{{\mathrm{\σ}}_x^2}+\frac{y^2}{{\mathrm{\σ}}_y^2}\right)+2\mathrm{\π}jWx\]$

$G(u,v)=\exp \{-\frac{1}{2}\[\frac{{(u-W)}^2}{{\mathrm{\σ}}_u^2}+\frac{v^2}{{\mathrm{\σ}}_v^2}\]\}$

式中，σ_x是空间长度，σ_y是频率宽度，且(W,0)是Gabor滤波器在(u,v)的频率中心。

(3.2)通过对相同公式的叠加，得到一组拥有扩张不变性的Gabor方程g_mn(x,y)，其中M和N是指定的规模和方向的分量，m＝0,1,…,M-1,n＝0,1,…,N-1；

g_mn(x,y)＝a^-mG(x',y')

式中，a＞1；x'＝a^-m(xcosθ+ysinθ)，y'＝a^-m(-xsinθ+ycosθ)，

(3.3)对上式进行卷积处理，将得到一个关于离散Gabor波形变换的卷积方程式W_mn；

$W_{mn}=\underset{x_1}{\Σ}\underset{y_1}{\Σ}I(x_1,y_2)g_{mn}^{*}(x-x_1,y-y_1)$

(3.4)根据Gabor滤波器不一样的方向和大小特征，对P×Q的I_q(x,y)进行量化处理，得到E(m,n)；

$E(m,n)=\underset{x}{\Σ}\underset{y}{\Σ}\left|W_{mn}(x,y)\right|$

(3.5)计算E(m,n)的均值和方差最终得到基于Gabor滤波器下的图像特征f_GF＝[μ_mn,σ_mn]。

步骤4，采用Zernike矩阵的特性对待检索图像I_q(x,y)进行特征提取。

(4.1)通过Zernike多项式V_nm(x,y)得到Zernike矩阵R_nm(ρ)；

V_nm(x,y)＝V_nm(ρ,θ)＝R_nm(ρ)exp(jmθ)

$R_{nm}\left(\mathrm{\ρ}\right)=\underset{s=2}{\overset{\frac{n-\left|m\right|}{2}}{\Σ}}{(-1)}^s\frac{(n-s)!}{s!(\frac{n-\left|m\right|}{2}-s)!(\frac{n-\left|m\right|}{2}-s)!}{\mathrm{\ρ}}^{n-2s}$

式中，n为非负整数，m为整数且满足|m|≤n，

(4.2)对P×Q的I_q(x,y)进行量化处理，得到A_nm，最终得到基于Zernike矩阵的图像特征 $f_{ZM}=\left|A_{nm}\right|=\left|\frac{n+1}{\mathrm{\π}}\underset{x}{\Σ}\underset{y}{\Σ}f(x,y)V_{nm}(x,y)\right|.$

步骤5，整理数据，得到所需要的图像的特征提取为f＝{f_jk|j∈{GF,ZM},k＝1,2,...,m}。

步骤6，利用归一化的比较公式 $d_{qi}=d(I_q,I_i)=\underset{j=\{GF,ZM\}}{\Σ}\underset{k=1,2...m}{\Σ}{w}_{jk}\frac{|f_{jk}^q-f_{jk}^i|}{{\mathrm{\α}}_{jk}}$ 计算待检索图像和库图像之间的相似度，通过输出结果来完成图像的检索。

步骤7，对图像进行高斯白噪声处理，重复步骤1到步骤6。

本发明的效果可以通过以下实验进一步说明：

1、仿真实验环境：

在CPU为core22.4HZ、内存2G、WINDOWSXP系统上使用MATLAB进行了仿真。

2、仿真内容

用本发明方法对每张图像进行特征提取，提取的特征数据如表(1)所示。然后用比较公式对所有数据进行比较，比较的结果如表(2)所示。通过归一化之后的结果，可以很明显的看出来第五幅图和待检索的图相近，事实确实如此，说明正确的检索出了所需图像。

表1本发明方法所提取出的图像特征数据

表2各幅图像之间的相似度

对图像进行高斯白噪声处理，然后同样对每张图像进行特征提取，提取的特征数据如表(3)所示。用比较公式对所有数据进行比较，比较的结果如表(4)所示。通过归一化之后的结果，也可以很明显的看出来第五幅图和待检索的图相近，事实确实如此。

表3经过高斯白噪声处理后的图像特征数据

表4经过高斯白噪声处理后图像之间的相似度

由此仿真实验说明本方法不受一般的噪声影响，仍旧可以正确的检索出所需图像。

本方法提出的基于Gabor-Zernike特征在医学图像检索中的应用方法能够较准确、有效地运用于图像数据的检索，并且高效快速。

Claims (4)

1.一种在医学图像中使用伽柏-泽尔尼克Gabor-Zernike特征检索图像的方法，包括如下步骤：

(1)从磁共振成像MRI图像数据库中提取连续的L张图像，设定其中任意1张为待检索图像I_q(x,y)，另L-1张为检索数据库图像I₁(x,y)I₂(x,y)…I_L-1(x,y)。我们用I(x,y)表示图像，其中I_q(x,y)表示待检索图像；

(2)对L张图像中的每一张图像做归一化处理，统一所有的图像尺寸，使得每张图像尺寸相等；

(3)采用线性二维伽柏Gabor滤波器对待检索图像I_q(x,y)进行特征提取：

(3.1) $g(x,y)=\left(\frac{1}{2{\mathrm{\π\σ}}_x{\mathrm{\σ}}_y}\right)\exp \[-\frac{1}{2}(\frac{x^2}{{\mathrm{\σ}}_x^2}+\frac{y^2}{{\mathrm{\σ}}_y^2})+2\mathrm{\π}jWx\]$ 是Gabor滤波器的基本方程，是对上述基本方程做傅立叶变换之后的得到的伽柏傅里叶方程；

(3.2)通过对伽柏傅里叶方程式中相同公式的叠加，得到一组拥有扩张不变性的Gabor方程g_mn(x,y)，其中，m＝0,1,…,M-1,n＝0,1,…,N-1，M和N分别是指定的规模和方向的分量；

(3.3)对Gabor方程g_mn(x,y)进行卷积处理，得到一个关于离散Gabor波形变换的卷积方程式W_mn；

(3.4)根据具体的图像I(x,y)的大小，使用不一样的方向和大小特征的Gabor滤波器，对P×Q的I_q(x,y)进行标量量化处理，得到量级方程式E(m,n)，其中P×Q表示图像I_q(x,y)的像素大小；

(3.5)计算E(m,n)的均值μ_mn和方差σ_mn，最终得到基于Gabor滤波器下的图像特征f_GF＝[μ_mn,σ_mn]；

(4)采用泽尔尼克Zernike矩阵的特性对待检索图像I_q(x,y)进行特征提取；

(4.1)通过Zernike多项式V_nm(x,y)得到Zernike矩阵R_nm(ρ),V_nm(x,y)是定义在单位圆上的正交复函数的集合，ρ为原点到点(x,y)的矢量长度；

(4.2)对P×Q的I_q(x,y)进行量化处理，得到A_nm，最终得到基于Zernike矩阵的图像特征f_ZM＝|A_nm|；

(5)整理数据，得到所需要的图像的总提取特征f＝{f_jk|j∈{GF,ZM},k＝1,2,...,m}，表示特征f_GF与特征f_ZM的总集合；

(6)利用比较公式匹配图像之间的距离d_qi＝d(I_q,I_i),其中I_q表示待检测图像,I_i表示磁共振成像MRI图像数据库中的其他图像，计算I_q和I_i之间的相似度，完成图像的检索，其中I_q表示待检测图像,I_i表示磁共振成像MRI图像数据库中的其他图像。

2.根据权利要求1所述的在医学图像中使用伽柏-泽尔尼克Gabor-Zernike特征检索图像的方法，所述的Gabor滤波器的公式如下：

$g(x,y)=\left(\frac{1}{2{\mathrm{\π\σ}}_x{\mathrm{\σ}}_y}\right)\exp \[-\frac{1}{2}(\frac{x^2}{{\mathrm{\σ}}_x^2}+\frac{y^2}{{\mathrm{\σ}}_y^2})+2\mathrm{\π}jWx\]$

$G(u,v)=\exp \{-\frac{1}{2}\[\frac{{(u-W)}^2}{{\mathrm{\σ}}_u^2}+\frac{v^2}{{\mathrm{\σ}}_v^2}\]\},$

式中，x,y表示图像I(x,y)中二维像素点，σ_x是空间长度，σ_y是频率宽度，且(W,0)是Gabor滤波器在(u,v)的频率中心，u,v是傅里叶变换后x,y相对应的数值变量，σ_u，σ_v是傅里叶变换后σ_xσ_y相对应的数值变量。

3.根据权利要求1所述的在医学图像中使用伽柏-泽尔尼克Gabor-Zernike特征检索图像的方法，其中，所述的Zernike矩阵的公式如下：

V_nm(x,y)＝V_nm(ρ,θ)＝R_nm(ρ)exp(jmθ)

$R_{nm}\left(\mathrm{\ρ}\right)=\underset{s=0}{\overset{\frac{n-\left|m\right|}{2}}{\Σ}}{(-1)}^s\frac{(n-s)!}{s!(\frac{n-\left|m\right|}{2}-s)!(\frac{n-\left|m\right|}{2}-s)!}{\mathrm{\ρ}}^{n-2s}$

式中，x,y表示图像I(x,y)中二维像素点，根据在Zernike多项式中的定义，n为非负整数，m为整数且满足|m|≤n。ρ为原点(0,0)到点(x,y)的矢量长度，即θ为轴x与ρ矢量在逆时针方向的夹角，即R_nm(ρ)表示点(x,y)的径向多项式，s是一个任意的从0开始的初始值。

4.根据权利要求1所述的在医学图像中使用伽柏-泽尔尼克Gabor-Zernike特征检索图像的方法，其中，M和N根据图像的具体大小来确定。