CN105469383A - 基于多特征融合的无线胶囊内窥镜冗余图像筛除方法 - Google Patents

Abstract

本发明提供了一种基于多特征融合的无线胶囊内窥镜冗余图像筛除方法。所述方法首先通过HSV颜色特征直方图与灰度共生矩阵提取出图像的颜色特征向量与纹理特征向量；其次，分别计算相邻图像的颜色特征归一化互信息量与纹理特征均方误差值作为相似性度量；然后，考虑到方法的鲁棒性，提出了基于W参数的均值法设定自适应相似性判断阈值；于是，通过依次对比相邻WCE图像的相似性测度值与判断阈值，可将具有一定时间相关性与颜色—纹理特征相似的WCE图像划分到相同的子图像片段中；最后，采用自适应K均值聚类算法对各子图像片段进行关键帧提取，从而达到筛除冗余图像的目的。该方法能够有效地筛除冗余图像，从而提高医生的工作效率。

Description

基于多特征融合的无线胶囊内窥镜冗余图像筛除方法

技术领域

本发明涉及一种基于多特征融合的无线胶囊内窥镜冗余图像筛除方法，属于医学图像处理技术领域。

背景技术

无线胶囊内窥镜(WirelessCapsuleEndoscopy，WCE)是由无线传输模块与微型摄像机构成，用以无创检查人体肠胃器官的胶囊状医疗仪器。在胃肠道疾病检测过程中，WCE依靠胃肠道蠕动对人体消化道内壁进行拍摄，并通过胶囊中的无线发射装置将图片传输至患者随身携带的无线接收器中，最终由医生从无线接收器中下载图片进行浏览诊断。由于胶囊内部的微型摄像机是以每秒2—3帧的拍摄速度得到480×480像素的彩色图片，而无线胶囊内窥镜的工作时间可维持6—8小时，故单次检查将会产生3万—8万张WCE图片，从而使医生诊断所需时间过长，可能造成医生眼睛疲劳而产生漏诊率高、工作强度大等问题。

经临床应用表明，WCE图像集中存在大量连续的图像具有较高的相似性。其主要原因是：WCE在消化道内拍摄过程中，在某些时刻其前进的速度比较缓慢，从而造成邻近图像之间无较大差异，产生了相似度高的冗余图片。

因此，采用先进的信息处理技术实现WCE图像集进行冗余帧筛除具有实际应用价值。文献(Q.Zhao,M.Q.H.Meng,andB.P.Li,"WCEvideoclipssegmentationbasedonabnormality,"inRoboticsandBiomimetics(ROBIO),2010IEEEInternationalConferenceon,pp.442-447,2010.)融合了基于WCE图像多特征融合以及非参数检测算法进行关键帧提取的方法，实验结果表明该方法能够有效地检测出具有突变特征的WCE图像作为关键帧图像进行提取；文献(Y.Chen,Y.H.Lan,andH.Z.Ren,"TrimmingtheWirelessCapsuleEndoscopicVideobyRemovingRedundantFrames,"inWirelessCommunications,NetworkingandMobileComputing(WiCOM),20128thInternationalConferenceon,pp.1-4,2012.)在研究WCE冗余帧消除方面采用了高斯-拉盖尔变换(GaussLaguerreTransform，GLT)筛除具有气泡特征的无信息价值WCE图片，同时采用了Canny算子提取图像纹理的边缘特征，并通过对比相邻图像的边缘特征与设定的固定阈值，来决策二者是否为相似图像，该算法能够较好地筛除部分气泡图片与相似性图片，其平均压缩率大约为70％。文献(Y.Q.Sun,Q.W.Lv,Z.X.Liu,andS.D.Liu,"Unsupervisedredundantimagedeletionforwirelesscapsuleendoscopyexamination,"ApplicationResearchofComputers,vol.29,pp.2393-6,2400,2012.)通过对WCE图像的HSV色彩空间进行量化降维提取颜色特征，然后计算相邻图像的归一化互信息量与归一化互相关系数表示相邻图像的相似性，最后根据由用户决定的筛除比例进行迭代筛除冗余帧，实验结果表明在按照70％的筛除比例情况下，可以得到100％的病灶图片保留率和较低的图像误删率。文献(J.S.Huo,Y.X.Zou,andL.Li,"AnadvancedWCEvideosummaryusingrelationmatrixrank,"inBiomedicalandHealthInformatics(BHI),2012IEEE-EMBSInternationalConferenceon,pp.675-678,2012.)一方面在HSV颜色空间提取WCE图像的颜色特征，另一方面通过水平和垂直Sobel算子提取WCE图像纹理特征，并将二者结合基于relationmatrixrank进行关键帧提取，该文通过实验表明在此方法的基础上将阈值设定为5能够保证有较好的筛除质量，并对10组1000张WCE图像片进行冗余图像筛除，其平均压缩率为84.65％，平均保真度为95％。

但是，上述方法存在着一些未考虑到的问题：

1)WCE图像之间具有时间相关性，若两张WCE图像的拍摄时间间隔较长，则其二者的时间相关性较弱，即使它们在颜色特征与纹理特征具有相似性，但实际反映的是人体消化道两个不同位置的信息，应被判断为两张非相似的WCE图像；

2)对于某些连续的WCE图像存在渐变性的特点，相邻WCE图像之间进行比较为相似图片，但是将第一张WCE图片与最后一张WCE图片比较，明显发现有不同之处，故直接以其中的第一张WCE图片或者最后一张WCE图片作为关键帧提取的方法将会导致丢失部分重要信息；

3)冗余帧筛除方法的鲁棒性，由于不同的WCE图像集具有不同的动态信息变化，若采用固定阈值的方法判断两张WCE图像之间的相似性，将会导致方法缺乏自适应性，使得筛除效果的鲁棒性较差。

发明内容

针对上述背景技术中所提到的目前有关WCE冗余帧筛除方法的不足之处，本发明提出了一种基于多特征融合的无线胶囊内窥镜冗余图像筛除方法，从而降低医生的工作量，提高工作效率。该方法包括如下步骤：

a)采用批处理的方式对无线胶囊内窥镜(WirelessCapsuleEndoscopy,WCE)病例图像集进行处理，每批处理500张WCE图像；

b)同时采用HSV颜色特征直方图与灰度共生矩阵(Graylevelco-occurrencematrix,GLCM)分别对每一张WCE图像提取其颜色特征向量与纹理特征向量；

c)对由b)步骤提取出每张WCE图像的颜色特征向量与纹理特征向量，通过计算相邻WCE图像的颜色特征归一化互信息量和纹理特征均方误差分别作为颜色特征相似性测度与纹理特征相似性测度；

d)考虑到不同批次的WCE图像集具有不同的动态信息变化，为了方法的鲁棒性，提出了基于W参数的均值法设定自适应相似性判断阈值；

e)经上述步骤，通过比较相邻图像的相似性测度与相似性判断阈值，可将具有一定时间相关性与颜色-纹理特征相似性的WCE图像划分到同一个子图像片段中；

f)考虑到某些子图像片段中的WCE图像具有渐变性的特点，可对各子图像片段采用自适应K均值聚类算法进行关键帧提取，从而将其余WCE图像作为冗余帧进行筛除。

本发明的有益效果在于：本发明所述的方法不仅具有较好的鲁棒性，而且能够有效地筛除WCE图像集中的冗余图像。经实验测试表明，对该方法的筛除效果进行评测的三个指标—Recall、Precision和Compression均可达到80％左右，意味着利用该方法的冗余帧筛除的结果不仅与人工筛除的结果具有一定的一致性，而且可以将医生分析浏览WCE图片的时间由6—8小时压缩至1—1.5小时，从而提高了医生的工作效率。

附图说明

图1.相邻WCE图像颜色特征相似性测度(左)和纹理特征相似性测度(右)

图2.具有渐变特征的连续WCE图像帧

图3.在不同W值情况下算法性能评价

图4.设定W＝3时,以Reacll和Precision指标评价算法性能

图5设定W＝3时,以Compression指标评价算法性能

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细描述。

1.颜色特征向量的提取

考虑到HSV颜色空间模型更符合人对色彩信息的视觉判断，本发明所述方法将对每一张WCE图像提取HSV颜色特征直方图来描述WCE图像颜色特征。HSV颜色特征直方图描述的是不同颜色在整幅图像所占的比例，而没有反应各颜色的空间位置关系，所以对于具有旋转特征的两张WCE图像，可以较准确地判断该两张WCE图像为相似图像。

首先需要将480×480大小的WCE图像由RGB空间转换到HSV空间，于是可以得到：

$h,s,v\∈R^{480\×480},\∀h_{x,y}\∈\left[\mathrm{0,360}\right],\∀s_{x,y}\∈\left[\mathrm{0,1}\right],\∀v_{x,y}\∈\left[\mathrm{0,1}\right]---\left(1\right)$

由于人眼对颜色的分辨具有一定的局限性，并且为了减少计算的复杂性，本文所述方法对h,s和v进行了量化，其量化的方法如下：

$H,S,V\∈R^{480\×480},\∀H_{x,y}\∈[0,15],\∀S_{x,y}\∈[0,3],\∀V_{x,y}\∈[0,3]---\left(2\right)$

$\begin{array}{cc}{H}_{x,y}=\left\{\begin{array}{cc}0,\mathrm{If}{h}_{x,y}=360;& 8,\mathrm{If}{h}_{x,y}\∈\left(\mathrm{50,60}\right];\\ 1,\mathrm{If}{h}_{x,y}\∈\left(\mathrm{340,360}\right);& 9,\mathrm{If}{h}_{x,y}\∈\left(\mathrm{60,80}\right];\\ 2,\mathrm{If}{h}_{x,y}\∈\left(\mathrm{320,340}\right];& 10,\mathrm{If}{h}_{x,y}\∈\left(\mathrm{80,100}\right];\\ 3,\mathrm{If}{h}_{x,y}\∈\left(\mathrm{0,10}\right];& 11,\mathrm{If}{h}_{x,y}\∈\left(\mathrm{100,120}\right];\\ 4,\mathrm{If}{h}_{x,y}\∈\left(\mathrm{10,20}\right];& 12,\mathrm{If}{h}_{x,y}\∈\left(\mathrm{120,160}\right];\\ 5,\mathrm{If}{h}_{x,y}\∈\left(\mathrm{20,30}\right];& 13,\mathrm{If}{h}_{x,y}\∈\left(\mathrm{160,200}\right];\\ 6,\mathrm{If}{h}_{x,y}\∈\left(\mathrm{30,40}\right];& 14,\mathrm{If}{h}_{x,y}\∈\left(\mathrm{240,280}\right];\\ 7,\mathrm{If}{h}_{x,y}\∈\left(\mathrm{40,50}\right];& 15,\mathrm{If}{h}_{x,y}\∈\left(\mathrm{280,320}\right];\end{array}\right.& \end{array}{S}_{x,y},V_{x,y}=\left\{\begin{array}{c}0,\mathrm{If}{s}_{x,y},v_{x,y}\∈\left[\mathrm{0.00,0.25}\right]\\ 1,\mathrm{If}{s}_{x,y},v_{x,y}\∈\left[\mathrm{0.25,0.50}\right]\\ 2,\mathrm{If}{s}_{x,y},v_{x,y}\∈\left[\mathrm{0.50,0.75}\right]\\ 3,\mathrm{If}{s}_{x,y},v_{x,y}\∈\left[\mathrm{0.75,1.00}\right]\end{array}\right.---\left(3\right)$

其中(x,y)为像素的索引。为了得到WCE图像的颜色特征直方图，需要将H,S和V融合为一个矩阵L：

L＝Q_S×Q_V×H+Q_V×S+V(4)其中Q_S＝4，Q_V＝4分别表示S和V的量化级数，则因此每张WCE图像的颜色特征向量的计算如下：

$C_{f_n}=[P_{f_n}\left(0\right),P_{f_n}\left(1\right),......,P_{f_n}\left(255\right)]---\left(5\right)$ 其中表示在矩阵L中像素值为i的概率。

2.纹理特征向量的提取

灰度共生矩阵(Graylevelco-occurrencematrix，GLCM)是一种成熟有效地提取图像纹理特征的方法。对于每张WCE图像，本文所述方法需要首先将其从RGB空间转换为灰度空间，并进行16级均匀量化；然后根据灰度共生矩阵的计算方法，分别计算4个方向(θ＝0°,45°,90°,135°)上的灰度共生矩阵，公式如下：

$P(i,j,d,\mathrm{\θ})=\#\left\{\begin{array}{c}(m,n),(m^{\′},n^{\′})\∈(M\×N)|\mathrm{Gray}(m,n)=i,\\ \mathrm{Gray}(m^{\′},n^{\′})=j,|(m,n)-(m^{\′},n^{\′})|=d,\\ \∠((m,n),(m^{\′},n^{\′}))=\mathrm{\θ}\end{array}\right\}/{\mathrm{SUM}}_{d,\mathrm{\θ}}---\left(6\right)$

其中i和j表示灰度级数；d表示两个像素之间的距离，设为1；θ表示两个像素之间的方向。

对于每个方向的灰度共生矩阵，提取出4个纹理特征值：

${\mathrm{Contrast}}_{d,\mathrm{\θ}}=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{(i-j)}^2\×P(i,j,d,\mathrm{\θ})---\left(7\right)$

${\mathrm{Correlation}}_{d,q}=({\mathrm{\Σ}}_{i=0}^{L-1}{\mathrm{\Σ}}_{j=0}^{L-1}i\×j\×P(i,j,d,q)-{\mathrm{\μ}}_x\×{\mathrm{\μ}}_y)/({\mathrm{\σ}}_x\×{\mathrm{\σ}}_y)---\left(8\right)$

${\mathrm{Energy}}_{d,\mathrm{\θ}}=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}P{(i,j,d,\mathrm{\θ})}^2---\left(9\right)$

${\mathrm{Homogeneity}}_{d,\mathrm{\θ}}=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}P(i,j,d,\mathrm{\θ})/(1+{(i-j)}^2)---\left(10\right)$

其中L为灰度级数16。于是每张WCE图像的纹理特征向量可表示如下：

$T_{f_n}=[\stackrel{\‾}{{\mathrm{Contrast}}_{d,\mathrm{\θ}}},\stackrel{\‾}{{\mathrm{Corellation}}_{d,\mathrm{\θ}}},\stackrel{\‾}{{\mathrm{Energy}}_{d,\mathrm{\θ}}},\stackrel{\‾}{{\mathrm{Homogeneity}}_{d,\mathrm{\θ}}}]---\left(11\right)$

其中θ＝0°,45°,90°,135°。

3.颜色特征相似性测度

基于信息论的理论基础，考虑到WCE图像的颜色特征向量具有概率分布的特性，本发明所述方法采用归一化互信息量作为相邻WCE图像之间颜色特征的相似性测度，记为NMI(f_n,f_n+1)，公式如下：

NMI(f_n,f_n+1)＝(2×MI(f_n,f_n+1))/(H(f_n)+H(f_n+1))(12)

MI(f_n,f_n+1)＝H(f_n)+H(f_n+1)-H(f_n,f_n+1)(13)其中，H(f_n)为的熵；H(f_n,f_n+1)表示联合熵；MI(f_n,f_n+1)为和的互信息量。

4.纹理特征相似性测度

对于相邻WCE图像之间纹理特征的相似性测度，本发明所述方法采用均方误差进行计算，记为MSE(f_n,f_n+1)，公式如下：

$\mathrm{MSE}(f_n,f_{n+1})=0.25{\mathrm{\Σ}}_{k=0}^3{\left(T_{f_n}\right[k]-T_{f_{n+1}}[k\left]\right)}^2---\left(14\right)$

5.自适应阈值的设定方法

本发明所述方法将通过设定自适应阈值，提高方法的普适性与鲁棒性。由于在WCE图像集中存在大量相同的WCE图像，而作为极端数据，使得直接采用均值法设定的自适应阈值具有一定的不合理性，故本发明所述方法提出了一种基于W参数的均值法设定自适应相似性判断阈值。

首先，从原WCE图像集F₀中，每隔W张图像抽取一张WCE图像组成一个新的WCE图像集F_new，表示为：

F_new＝{f₁,f_1+w,......,f_n,f_n+w,......}(15)

新的WCE图像集F_new不仅能够反映原图像集F₀中的WCE图像动态变化特征，而且一定程度上减少了极端数据。

然后，计算F_new 图像集中相邻WCE图像之间的颜色特征归一化互信息量和纹理特征均方误差，表示为：

NMI_new＝[NMI_new(f₁,f_1+w),......,NMI_new(f_n,f_n+w),......](16)

MSE_new＝[MSE_new(f₁,f_1+w),......,MSE_new(f_n,f_n+w),......](17)

最后，分别计算颜色特征相似性判断阈值Threshold_color与纹理特征相似性判断阈值Threshold_texture，公式如下：

${\mathrm{Threshold}}_{\mathrm{color}}=\stackrel{\‾}{{\mathrm{NMI}}_{\mathrm{new}}}=\frac{1}{K}\×{\mathrm{\Σ}}_{k=0}^{K-1}{\mathrm{NMI}}_{\mathrm{new}}\left[k\right]---\left(18\right)$

${\mathrm{Threshold}}_{\mathrm{texture}}=\stackrel{\‾}{{\mathrm{NMI}}_{\mathrm{new}}}=\frac{1}{K}\×{\mathrm{\Σ}}_{k=0}^{K-1}{\mathrm{NMI}}_{\mathrm{new}}\left[k\right]---\left(19\right)$

由上述步骤可知，W参数决定了自适应阈值设定的合理性。经大量实验测试，W取1-4之间能够保证较好的筛选质量。

6.WCE图像集分割准则

通过依次比较相邻WCE图像的相似测度NMI(f_n,f_n+1)和MSE(f_n,f_n+1)，以及相似性判断阈值Threshold_color和Threshold_texture，WCE图像集将以不相似的WCE图像作为分界点被分割成各子图像片段，其分割准则如下：

如果NMI(f_n,f_n+1)≥Threshold_color&MSE(f_n,f_n+1)≤Threshold_texture，则此两张相邻的WCE图像f_n和f_n+1被分入当前同一个子图像片段；否则，f_n将被放入前一个子图像片段中，而f_n+1被放入新的子图像片段中。

7.基于自适应K均值聚类算法进行关键帧提取

本发明所述方法采用了一种自适应的K均值聚类算法对各个WCE子图像片段进关键帧提取，而将其余WCE图像作为冗余图像筛除，其具体步骤如下：

Step1:导入某WCE子图像片段：{f₁,f₂,......,f_N}

Step2：初始化：类别数K＝1；f₁→Class₁；f₁→Center_Class1；

Step3:为分类设定一个自适应阈值:

${\mathrm{Threshold}}_{\mathrm{key}}=\left[{\mathrm{\Σ}}_{n=2}^N\mathrm{Dis}(f_1,f_n)\right]/(N-1)+c---\left(20\right)$

其中Dis(f₁,f_n)表示图像f₁andf_n之间的欧氏距离；c＝0.1为了避免Threshold_key为0.

Step4:Calculate:

$\mathrm{Dis}(f_i,{\mathrm{Center}}_{{\mathrm{Class}}_t})=\underset{n=\mathrm{1,2}......,K}{\mathrm{Min}}\left(\mathrm{Dis}(f_i,{\mathrm{Center}}_{{\mathrm{Class}}_n})\right)---\left(21\right)$

Classificationrules:

$\begin{array}{cc}\mathrm{If}& \mathrm{Dis}(f_i,{\mathrm{Center}}_{{\mathrm{Class}}_t})\end{array},\≥{\mathrm{Threshold}}_{\mathrm{key}}\⇒\begin{array}{c}\left\{\begin{array}{c}K=K+1\\ f_i\→{\mathrm{Class}}_K;\\ f_i\→{\mathrm{Center}}_{{\mathrm{Class}}_K}\end{array}\right.\end{array}$

$\mathrm{Else}\⇒\left\{\begin{array}{c}{f}_i\→{\mathrm{Class}}_t\\ \mathrm{update}{\mathrm{Center}}_{{\mathrm{Class}}_t}\end{array}\right.;{\mathrm{Center}}_{{\mathrm{Class}}_t}=\frac{1}{M}\×{\mathrm{\Σ}}_{m=1}^M{\mathrm{Feature}}_{f_m}---\left(22\right)$

其中M为了类别Class_t中WCE图像的数量；表示图像f_m的特征向量；如果f_i不是该子图像片段的最后一张图像，则将f_i+1重返Step3.

Step5:经上述步骤，在划分的各类中提取关键帧，而将其余WCE图像帧作为冗余帧筛除，方法如下:

$\begin{array}{c}\mathrm{Dis}({\mathrm{Center}}_{{\mathrm{Class}}_k},f_i)=\underset{j=\mathrm{1,2}......,M}{\mathrm{Min}}\left(\mathrm{Dis}({\mathrm{Center}}_{{\mathrm{Class}}_k},f_j)\right)\\ \⇒f_i\→{\mathrm{KeyFrame}}_{{\mathrm{Class}}_k}\end{array}---\left(23\right)$

以上所述为本发明较佳的实施方式，但本发明的保护范围并不局限于此，任何在本发明提出的技术范围内作出其他多种形式的修改、替换和变更，都应涵盖在本发明的保护范围内。因此本发明的保护范围应该以权利要求的保护范围为准。

Claims (4)

1.一种基于多特征融合的无线胶囊内窥镜冗余图像筛除方法，包括以下步骤：

a)采用批处理的方式对无线胶囊内窥镜(WirelessCapsuleEndoscopy,WCE)病例图像集进行处理，每批处理500张WCE图像；

b)采用HSV颜色特征直方图与灰度共生矩阵(Graylevelco-occurrencematrix,GLCM)分别对每一张WCE图像提取其颜色特征向量与纹理特征向量；

c)对由b)步骤提取出的每张WCE图像的颜色特征向量与纹理特征向量，通过计算其相邻WCE图像的颜色特征归一化互信息量和纹理特征均方误差分别作为颜色特征相似性测度与纹理特征相似性测度；

d)考虑到不同批次的WCE图像集具有不同的动态信息变化，为了获得方法的鲁棒性，提出了基于W参数的均值法设定自适应相似性判断阈值；

e)经上述步骤，通过比较相邻图像的相似性测度与相似性判断阈值，可将具有一定时间相关性与颜色—纹理特征相似性的WCE图像划分到同一个子图像片段中；

f)考虑到某些子图像片段中的WCE图像具有渐变性的特点，对各子图像片段采用自适应K均值聚类算法进行关键帧提取，从而将其余WCE图像作为冗余帧进行筛除。

2.根据权利要求1所述的一种基于多特征融合的无线胶囊内窥镜冗余图像筛除方法，其特征在于，所述步骤b)中，考虑到WCE图像集的冗余性主要体现为WCE图像之间的颜色特征相似性与纹理特征相似性，并且医生主要也是通过WCE图像的颜色信息与纹理信息对WCE图片进行浏览分析和诊断；同时，HSV颜色特征直方图模型能够描述图像不同颜色的分布信息，以及GLCM可用以提取出反映图像纹理沟纹清晰度、纹理方向性、纹理粗细以及灰度均衡性的特征值，故该方法同时采用HSV颜色特征直方图模型与灰度共生矩阵分别对每张WCE图像进行颜色特征向量与纹理特征向量提取。

3.根据权利要求1所述的一种基于多特征融合的无线胶囊内窥镜冗余图像筛除方法，其特征在于，针对均值法存在容易受极端数据影响的问题，设计了一种基于W参数的均值法来设定自适应相似性判断阈值，所述步骤d)的具体过程为：

1)从原WCE图像集F₀中，每隔W张图像抽取一张WCE图像组成一个新的WCE图像集F_new，表示为：

F_new＝{f₁,f_1+w,......,f_n,f_n+w,......}

2)计算F_new图像集中相邻WCE图像之间的颜色特征归一化互信息量和纹理特征均方误差，表示为：

NMI_new＝[NMI_new(f₁,f_1+w),......,NMI_new(f_n,f_n+w),......]

MSE_new＝[MSE_new(f₁,f_1+w),......,MSE_new(f_n,f_n+w),......]

3)分别计算颜色特征相似性判断阈值Threshold_color与纹理特征相似性判断阈值Threshold_texture，公式如下：

${\mathrm{Threshold}}_{\mathrm{color}}=\stackrel{\‾}{{\mathrm{NMI}}_{\mathrm{new}}}=\frac{1}{K}\×{\mathrm{\Σ}}_{k=0}^{K-1}{\mathrm{NMI}}_{\mathrm{new}}\left[k\right]$

${\mathrm{Threshold}}_{\mathrm{texture}}=\stackrel{\‾}{{\mathrm{MSE}}_{\mathrm{new}}}=\frac{1}{K}\×{\mathrm{\Σ}}_{k=0}^{K-1}{\mathrm{MSE}}_{\mathrm{new}}\left[k\right]$

4)由上述步骤可知，W参数决定了自适应阈值设定的合理性。经大量实验测试，W取1-4之间能够保证较好的筛选质量。

4.根据权利要求1所述的一种基于多特征融合的无线胶囊内窥镜冗余图像筛除方法，其特征在于，根据WCE图像的产生原理，WCE图像集中的冗余图像不仅存在着颜色—纹理特征的相似性，而且具有一定的时间相关性。若两张WCE图像的拍摄时间间隔较长，则其二者的时间相关性较弱，即使它们在颜色特征与纹理特征具有相似性，但实际反映的是人体消化道两个不同位置的信息，应被判断为两张非相似的WCE图像，故所述步骤e)可以通过依次比较相邻WCE图像的颜色特征与纹理特征相似性测度值与所设定的自适应阈值，以不相似的WCE图像作为分割点将WCE图像集分割成不同的子图像片段，从而使得在同一子图像片段中的WCE图像不仅具有一定的颜色—纹理特征相似性，而且具有时间上的相关性。