CN105512612A - 一种基于svm的胶囊内窥镜图像分类方法 - Google Patents

Abstract

本发明公开了一种基于SVM的胶囊内窥镜图像分类方法，该方法通过提取异常病变图像库中图像的纹理特征和光谱特征，构建SVM分类预测模型，将胶囊内窥镜采集图像中正常无病变图像与异常病变图像进行分类。与现有技术相比，该方法可以从海量的待检测的胶囊内窥镜采集图像中快速发现病变图像，从而缩短诊断时间，减轻医生阅片的劳动强度，提高诊断效率。

Description

一种基于SVM的胶囊内窥镜图像分类方法

技术领域

本发明涉及的是一种医学图像处理方法，尤其涉及的是一种基于SVM的胶囊内窥镜图像分类方法。

背景技术

目前市面上已经出现的胶囊内镜产品每秒视频约在2～30帧之间，最大时长在8小时左右。取平均值16帧/秒进行计算总共产生16×60×60×8＝460,800张图像，在近50万张的照片中寻找有异常的图片不仅费时费力，而且在视觉疲劳时极易错过有异常征兆的图像；另外，随着胶囊内镜技术的不断发展，影像视频帧率、胶囊供能时间等方面也将不断提高，届时给医生带来的检测负担将更为严重，诊断效率也更低。因此，为提高图片检索速度，降低诊断过程中产生的误检率和减轻医生的劳动强度，研制胶囊内镜图像自动识别与分析系统有着重要的实用价值。

随着医学图像处理和模式识别技术的发展，通过计算机来辅助对图像分类、自动化识别异常图片成为必然趋势。而图像分类结果的好坏与特征信息的选择和分类器设计的优良都有很大的关系。目前医学方面常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征，特征提取方法主要有：(1)基于RGB空间用全局颜色直方图来提取特征；(2)基于局部图像区域的方法；(3)基于像素特征的方法。影像数据的正异常分类主要通过：(1)通过搜索引擎；(2)通过和均值化直方图进行曲线比较；(3)基于小波变换、SVM(支持向量机)等智能分类器进行分类。依据有关研究，将SVM用于医学图像的分类，对改善医学图像分类的性能具有很好的实用价值。

发明内容

本发明的目的在于提供一种基于SVM的胶囊内窥镜图像分类方法，该方法用于胶囊内窥镜图像的处理过程中，通过提取异常病变图像的纹理特征和光谱特征，构建基于高斯径向基RBF的SVM分类预测模型，从待检测图像中检索出的异常病变图像，实现从海量胶囊内窥镜图像中快速发现病变图像，从而减轻医生的劳动强度、提高诊断效率。

本发明是通过以下技术方案实现的：

本发明提供了一种基于SVM的胶囊内窥镜图像分类方法，包括以下步骤：

步骤S1：建立胶囊内窥镜异常病变图像库：所述异常病变图像库包括标准病例图像；

步骤S2：提取异常病变图像库中图像的纹理特征K_t和光谱特征K_s；

步骤S3：基于步骤S2获得的异常病变图像的纹理特征K_t和光谱特征K_s，引入RBF核函数K(x,x′)＝exp(-P||x-x′||²)，式中，x为纹理特征向量或光谱特征向量，x′为核函数中心，σ为核宽度，构建基于高斯径向基RBF的纹理核K_t与光谱核K_s的组合核函数K为：

K＝βK_t+(1-β)K_s

式中：β为组合核函数K的权值系数；

步骤S4：由已知包含异常病变特征图像和正常无病变图像组成训练样本集，使用步骤S3的组合核函数K作为SVM学习模型的核函数，构建基于RBF核函数的SVM学习模型进行训练：

式中：x_i为模型的输入向量，即为纹理特征向量或光谱特征向量；X为输入向量通过组合核函数计算映射得到的高维空间属性；l是训练样本数，α_i为辅助变量拉格朗日算子，0＜α_i＜C，C是对错分样本的惩罚系数；b为分类阀值；y_i为分类标记，其中，y_i＝0或1，即0表示正常无病变的图像，1表示异常病变特征的图像；

步骤S5：通过交叉验证的方法对SVM学习模型中的惩罚系数C和RBF核宽度σ进行优化选择，取最优惩罚系数值为最优拉格朗日算子α*，即最优权值α*，获得如下所示的SVM分类预测模型f(X)：

式中，

步骤S6：使用步骤S5的分类预测模型对待检测的胶囊内窥镜图像进行分类，当f(X)＞0时，表示待检测图像为有异常病变特征的图像，标记为1；当f(X)＜0时，表示待检测图像为正常无病变的图像，标记为0，从而将有异常病变特征的图像和正常无病变的图像区分开；

步骤S7：将步骤S6中标记为1的图像作为学习样本，加入步骤S1的异常病变图像库中，通过不断学习和训练分类预测模型f(X)，逐步提高分类精度。

进一步优选地，所述步骤S2中，异常病变图像的纹理特征的提取方法为：

步骤S201a：将异常病变图像库中图像转换为灰度图像；

步骤S202a：采用形态学滤波中的腐蚀与膨胀处理，对灰度图像先后进行闭运算和开运算，以滤除图像中的噪声，获得预处理图像；

步骤S203a：将预处理图像的膨胀减去腐蚀，获得保留有原图像边缘和轮廓的消噪图像；

步骤S204a：将消噪图像再通过腐蚀与膨胀运算方法提取异常病变图像的纹理特征K_t。

进一步优选地，所述步骤S204a中，腐蚀与膨胀运算方法为：将消噪图像进行n次开运算和n次闭运算，得到异常病变图像的纹理特征K_t。

进一步优选地，所述步骤S2中，异常病变图像的光谱特征的提取方法为：

步骤S201b：将异常病变图像数据库中图像的颜色空间转换为HSV，H代表色相角，S代表饱和度，V代表亮度；

步骤S202b：计算整幅图像HSV的平均值最大值MAX_HSV，最小值MIN_HSV,标准差σ和方差DX；

步骤S203b：以H、S、V、MAX_HSV、MIN_HSV、σ、DX作为光谱特征值，构建8维的光谱特征向量即为光谱特征K_s。

进一步优选地，所述步骤S201b中，将图像的颜色空间转换为HSV的方法为：

设(R，G，B)分别是一个颜色的红、绿和蓝坐标，它们的值是在0到1之间的实数；设max等价于R，G和B中的最大者，min等价于R，G和B中的最小者；H为色相角且H∈[0,360)度，S为饱和度且S∈[0,1]，V为亮度，转换公式为：

V＝max

本发明与现有技术相比，具有以下优点：

1)本发明的基于SVM的胶囊内窥镜图像分类的方法首先对异常病变图像进行学习训练，然后对待检测的内窥镜图像进行分类，找出待检测图像中的异常病变图像，此方法可以从海量的待检测的胶囊内窥镜采集图像中快速发现病变图像，大大缩短了医生的阅片时间，提高了医生的诊断效率；

2)本发明在对胶囊内窥镜诊断图片的特征提取过程中，充分利用了图像的纹理信息和光谱信息，构建了基于RBF的纹理核函数和光谱核函数，并通过加权组合的方式构建了胶囊内窥镜诊断图像分类器，大大提高了分类的准确度；

3)本发明属于智能学习算法，可将每次诊断确认的异常病变图像作为学习样本加入异常病变图像库，通过对分类模型不断地学习和训练，可逐步提高分类精度。

附图说明

图1为基于SVM的胶囊内窥镜图像分类方法的具体流程图；

图2为异常病变图像的纹理特征的提取方法的具体流程图；

图3为异常病变图像的光谱特征的提取方法的具体流程图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

本实施例提供的一种基于SVM的胶囊内窥镜图像分类方法，包括以下步骤：

步骤S1：建立胶囊内窥镜异常病变图像库：所述异常病变图像库包括标准病例图像；

步骤S2：提取异常病变图像库中图像的纹理特征K_t和光谱特征K_s，其中：

(1)所述异常病变图像的纹理特征的提取方法为：

步骤S201a：将异常病变图像库中图像转换为灰度图像；

步骤S202a：采用形态学滤波中的腐蚀与膨胀处理，对灰度图像先后进行闭运算和开运算，以滤除图像中的噪声，获得预处理图像；

步骤S203a：将预处理图像的膨胀减去腐蚀，获得保留有原图像边缘和轮廓的消噪图像；

步骤S204a：将消噪图像再通过腐蚀与膨胀运算方法提取异常病变图像的纹理特征K_t，具体为：将消噪图像进行n次开运算和n次闭运算，得到异常病变图像的纹理特征K_t；

(2)所述异常病变图像的光谱特征的提取方法为：

步骤S201b：将异常病变图像数据库中图像的颜色空间转换为HSV，H代表色相角，S代表饱和度，V代表亮度，具体为：

设(R，G，B)分别是一个颜色的红、绿和蓝坐标，它们的值是在0到1之间的实数；设max等价于R，G和B中的最大者，min等价于R，G和B中的最小者；H为色相角且H∈[0,360)度，S为饱和度且S∈[0,1]，V为亮度，转换公式为：

V＝max

步骤S202b：计算整幅图像HSV的平均值最大值MAX_HSV，最小值MIN_HSV,标准差σ和方差DX；

步骤S203b：以H、S、V、MAX_HSV、MIN_HSV、σ、DX作为光谱特征值，构建8维的光谱特征向量即为光谱特征K_s；

步骤S3：基于步骤S2获得的异常病变图像的纹理特征K_t和光谱特征K_s，引入RBF核函数K(x,x′)＝exp(-P||x-x′||²)，式中，x为纹理特征向量或光谱特征向量，x′为核函数中心，σ为核宽度，构建基于高斯径向基RBF的纹理核K_t与光谱核K_s的组合核函数K为：

K＝βK_t+(1-β)K_s

式中：β为组合核函数K的权值系数；

步骤S4：由已知包含异常病变特征图像和正常无病变图像组成训练样本集，使用步骤S3的组合核函数K作为SVM学习模型的核函数，构建基于RBF核函数的SVM学习模型进行训练：

式中：x_i为模型的输入向量，即为纹理特征向量或光谱特征向量；X为输入向量通过组合核函数计算映射得到的高维空间属性；l是训练样本数，α_i为辅助变量拉格朗日算子，0＜α_i＜C，C是对错分样本的惩罚系数；b为分类阀值；y_i为分类标记，其中，y_i＝0或1，即0表示正常无病变的图像，1表示异常病变特征的图像；

步骤S5：通过10折交叉验证的方法对SVM学习模型中的惩罚系数C和RBF核宽度σ进行优化选择，取最优惩罚系数值为最优拉格朗日算子α*，即最优权值α*，获得如下所示的SVM分类预测模型f(X)：

式中，

步骤S6：使用步骤S5的分类预测模型对待检测的胶囊内窥镜图像进行分类，当f(X)＞0时，表示待检测图像为有异常病变特征的图像，标记为1；当f(X)＜0时，表示待检测图像为正常无病变的图像，标记为0，从而将有异常病变特征的图像和正常无病变的图像区分开；

步骤S7：将步骤S6中标记为1的图像作为学习样本，加入步骤S1的异常病变图像库中，通过不断学习和训练分类预测模型f(X)，逐步提高分类精度。

Claims (5)

1.一种基于SVM的胶囊内窥镜图像分类方法，其特征在于，包括以下步骤：

步骤S1：建立胶囊内窥镜异常病变图像库：所述异常病变图像库包括标准病例图像；

步骤S2：提取异常病变图像库中图像的纹理特征K_t和光谱特征K_s；

步骤S3：基于步骤S2获得的异常病变图像的纹理特征K_t和光谱特征K_s，引入RBF核函数K(x,x')＝exp(-P||x-x'||²)，式中，x为纹理特征向量或光谱特征向量，x'为核函数中心，σ为核宽度，构建基于高斯径向基RBF的纹理核K_t与光谱核K_s的组合核函数K为：

K＝βK_t+(1-β)K_s

式中：β为组合核函数K的权值系数；

步骤S4：由已知包含异常病变特征图像和正常无病变图像组成训练样本集，使用步骤S3的组合核函数K作为SVM学习模型的核函数，构建基于RBF核函数的SVM学习模型进行训练：

式中：x_i为模型的输入向量，即为纹理特征向量或光谱特征向量；X为输入向量通过组合核函数计算映射得到的高维空间属性；l是训练样本数，α_i为辅助变量拉格朗日算子，0＜α_i＜C，C是对错分样本的惩罚系数；b为分类阀值；y_i为分类标记，其中，y_i＝0或1，即0表示正常无病变的图像，1表示异常病变特征的图像；

步骤S5：通过交叉验证的方法对SVM学习模型中的惩罚系数C和RBF核宽度σ进行优化选择，取最优惩罚系数值C为最优拉格朗日算子α*，即最优权值α*，获得如下所示的SVM分类预测模型f(X)：

式中，y_i∈{0,1}；

步骤S6：使用步骤S5的分类预测模型对待检测的胶囊内窥镜图像进行分类，当f(X)＞0时，表示待检测图像为有异常病变特征的图像，标记为1；当f(X)＜0时，表示待检测图像为正常无病变的图像，标记为0，从而将有异常病变特征的图像和正常无病变的图像区分开；

步骤S7：将步骤S6中标记为1的图像作为学习样本，加入步骤S1的异常病变图像库中，通过不断学习和训练分类预测模型f(X)，逐步提高分类精度。

2.根据权利要求1所述的一种基于SVM的胶囊内窥镜图像分类方法，其特征在于，所述步骤S2中，异常病变图像的纹理特征的提取方法为：

步骤S201a：将异常病变图像库中图像转换为灰度图像；

步骤S202a：采用形态学滤波中的腐蚀与膨胀处理，对灰度图像先后进行闭运算和开运算，以滤除图像中的噪声，获得预处理图像；

步骤S203a：将预处理图像的膨胀减去腐蚀，获得保留有原图像边缘和轮廓的消噪图像；

步骤S204a：将消噪图像再通过腐蚀与膨胀运算方法提取异常病变图像的纹理特征K_t。

3.根据权利要求2所述的一种基于SVM的胶囊内窥镜图像分类方法，其特征在于，所述步骤S204a中，腐蚀与膨胀运算方法为：将消噪图像进行n次开运算和n次闭运算，得到异常病变图像的纹理特征K_t。

4.根据权利要求1所述的一种基于SVM的胶囊内窥镜图像分类方法，其特征在于，所述步骤S2中，异常病变图像的光谱特征的提取方法为：

步骤S201b：将异常病变图像数据库中图像的颜色空间转换为HSV，H代表色相角，S代表饱和度，V代表亮度；

步骤S202b：计算整幅图像HSV的平均值最大值MAX_HSV，最小值MIN_HSV,标准差σ和方差DX；

步骤S203b：以H、S、V、MAX_HSV、MIN_HSV、σ、DX作为光谱特征值，构建8维的光谱特征向量即为光谱特征K_s。

5.根据权利要求4所述的一种基于SVM的胶囊内窥镜图像分类方法，其特征在于，所述步骤S201b中，将图像的颜色空间转换为HSV的方法为：

设(R，G，B)分别是一个颜色的红、绿和蓝坐标，它们的值是在0到1之间的实数；设max等价于R，G和B中的最大者，min等价于R，G和B中的最小者；H为色相角且H∈[0,360)度，S为饱和度且S∈[0,1]，V为亮度，转换公式为：

V＝max。