CN108764355A - 基于纹理特征分类的图像处理装置及方法 - Google Patents
基于纹理特征分类的图像处理装置及方法 Download PDFInfo
- Publication number
- CN108764355A CN108764355A CN201810548916.9A CN201810548916A CN108764355A CN 108764355 A CN108764355 A CN 108764355A CN 201810548916 A CN201810548916 A CN 201810548916A CN 108764355 A CN108764355 A CN 108764355A
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- textural characteristics
- grader
- classification
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于纹理特征分类的图像处理装置包括:图像提取模块,用于获取仅包含股骨头的图像;图像预处理模块,对图像进行灰度量化;特征向量提取模块,用于计算灰度共生矩阵,并提取纹理特征向量;以及特征分类模块,包括分类器构建单元,构建分类器,将纹理特征向量输入构建形成的分类器进行分类,输出分类结果。本发明将医学图像中表述的抽象物理特征数字化,转变为特征向量的形式进行描述,提取图像中的纹理特征,并基于纹理特征进行分类,提高了对图像识别的正确率。本发明还公开了一种基于纹理特征分类的图像处理方法。
Description
技术领域
本发明涉及医疗数字图像处理技术领域,具体地,涉及一种基于纹理特征分类的图像处理方法及装置。
背景技术
医学影像是指为了医疗或医学研究,对人体或人体某部分,以非侵入方式取得内部组织影像的技术与处理过程。医学图像处理是指对已经获得的图像作进一步的处理,其目的是或者是使原来不够清晰的图像复原,或者是为了突出图像中的某些特征信息,或者是对图像做模式分类等等。随着计算机图像处理、模式识别相关技术的发展,医学图像的处理方法随之发展。现有的医学图像难以应用于计算机进行识别,且受限于资金、设备和环境等因素,得到的医学图像的图像质量较差,使得图像识别的正确率较低。
发明内容
鉴于以上问题,本发明的目的是提供一种基于纹理特征分类的图像处理装置及方法,以解决现有图像处理方法中的图像识别的正确率低的问题。
为了实现上述目的,本发明采用以下技术方案:
本发明的一个方面是提供一种基于纹理特征分类的图像处理装置,包括:
图像提取模块,用于获取仅包含股骨头的图像;
图像预处理模块,对获取的图像进行灰度量化;
特征向量提取模块,用于计算灰度共生矩阵,并提取纹理特征向量,包括:灰度共生矩阵构建单元,选取距离差分值(a,b),并沿0°,45°,90°,135°四个方向进行逐点滑动扫描,得到四个灰度共生矩阵,分别如下所示:
P0°.d(a,b)=|{[(k,l),(m,n)]∈D:k-m=0,|l-n|=d,f(k,l)=a,f(m,n)=b}|
P45°.d(a,b)=|{[(k,l),(m,n)]∈D:(k-m=d,l-n=-d)∨(k-m=-d,l-n=d),f(k,l)=a,f(m,n)=b}|
P90°.d(a,b)=|{[(k,l),(m,n)]∈D:|k-m|=d,l-n=0,f(k,l)=a,f(m,n)=b}|
P135°.d(a,b)=|{[(k,l),(m,n)]∈D:(k-m=d,l-n=d)∨(k-m=-d,l-n=-d),f(k,l)=a,f(m,n)=b}|
式中,(a,b)为选取的距离差分值,(k,l)为原始的像素坐标,(m,n)为偏移之后的像素坐标,d为原始像素点与偏移后像素点之间的距离,D为图像,f(k,l)为原始像素点的灰度值,f(m,n)为偏移后像素点的灰度值;和特征向量构建单元,用于构建纹理特征向量,选择四个灰度共生矩阵的能量、熵、相关性和对比度作为统计量,分别如下式表示,
能量:
熵:
相关性:
对比度:
式中,M(i,j)表示灰度共生矩阵的值;以及
特征分类模块,包括分类器构建单元,构建分类器,将纹理特征向量输入构建形成的分类器进行分类,输出分类结果0或1,0表示股骨头正常,1表示股骨头异常。
优选地,所述分类器构建单元包括:
数据输入子单元,输入纹理特征向量数据集和分类标签,获取样本总数N和特征维数M;
条件设置子单元,根据样本总数设置随机森林中决策树的数目Num,设置叶子节点最小尺寸、停止分裂条件以及是否剪枝;
训练集形成子单元,从N个样本中有放回地抽样N次,形成一个训练集;
决策树形成子单元,对于每一个叶子节点,随机选取t个特征,且t小于M,计算t个特征中每个特征对应的信息量,选择其中一个特征作为分类依据,确定叶子节点的分裂方式,形成决策树;以及
分类器形成子单元,构造Num棵决策树,形成随机森林分类器。
优选地,所述信息量包括基尼指数,基尼指数通过下式计算:
其中,pr表示分到第r个类别的概率,R表示类别总数。
优选地,所述条件设置子单元中,决策树的数目Num在[50,100]范围内。
优选地,所述条件设置子单元中,叶子节点最小尺寸设置为1,停止分裂条件设置为决策树的高度为4或者每个叶子节点的样本数目小于5,是否剪枝设置为否。
优选地,所述决策树形成子单元中,t的取值为或
优选地,所述图像预处理模块中,获取的图像的灰度值为0~255,对获取的图像进行灰度降级,选择灰度降级为Q,则降级后的图像灰度值为:
Gray'(i,j)=[Gray(i,j)/Q]
式中,[]表示向下取整,Gray(i,j)表示获取的图像的灰度值,Gray'(i,j)表示降级后的图像灰度值。
优选地,所述特征向量提取模块中,对应0°,45°,90°,135°四个扫描方向,选取的距离差分值(a,b)分别为(1,0),(0,1),(1,1),(-1,-1)。
本发明的另一个方面是提供一种基于纹理特征分类的图像处理方法,包括以下步骤:
步骤S1,获取仅包含股骨头的图像;
步骤S2,对获取的图像进行灰度量化;
步骤S3,计算灰度共生矩阵,提取纹理特征向量,包括:
步骤S31,选取距离差分值(a,b);
步骤S32,沿0°,45°,90°,135°四个方向进行逐点滑动扫描,得到四个灰度共生矩阵,分别如下所示:
P0°.d(a,b)=|{[(k,l),(m,n)]∈D:k-m=0,|l-n|=d,f(k,l)=a,f(m,n)=b}|
P45°.d(a,b)=|{[(k,l),(m,n)]∈D:(k-m=d,l-n=-d)∨(k-m=-d,l-n=d),f(k,l)=a,f(m,n)=b}|
P90°.d(a,b)=|{[(k,l),(m,n)]∈D:|k-m|=d,l-n=0,f(k,l)=a,f(m,n)=b}|
P135°.d(a,b)=|{[(k,l),(m,n)]∈D:(k-m=d,l-n=d)∨(k-m=-d,l-n=-d),f(k,l)=a,f(m,n)=b}|
式中,(a,b)为选取的距离差分值,(k,l)为原始的像素坐标,(m,n)为偏移之后的像素坐标,d为原始像素点与偏移后像素点之间的距离,D为图像,f(k,l)为原始像素点的灰度值,f(m,n)为偏移后像素点的灰度值;
步骤S33,选择四个灰度共生矩阵的能量、熵、相关性和对比度作为统计量,分别如下式所示,构成十六维纹理特征向量,
能量:
熵:
相关性:
对比度:
式中,M(i,j)表示灰度共生矩阵的值;
步骤S4,构建分类器,将纹理特征向量输入构建形成的分类器进行分类,输出分类结果。
优选地,所述步骤S4中,构建分类器包括以下步骤:
步骤S41,输入纹理特征向量数据集和分类标签,获取样本总数N和特征维数M;
步骤S42,根据样本总数设置随机森林中决策树的数目Num,设置叶子节点最小尺寸、停止分裂条件以及是否剪枝;
步骤S43,从N个样本中有放回地抽样N次,形成一个训练集;
步骤S44,对于每一个叶子节点,随机选取t个特征,且t小于M,计算t个特征中每个特征对应的信息量,选择其中一个特征作为分类依据,确定叶子节点的分裂方式,形成决策树;
步骤S45,构造Num棵决策树,形成随机森林分类器。
与现有技术相比,本发明具有以下优点和有益效果:
本发明将医学图像中表述的抽象物理特征数字化,转变为特征向量的形式进行描述,提取图像中的纹理特征,并基于纹理特征进行分类,提高了对图像识别的正确率。
附图说明
图1是本发明所述基于纹理特征分类的图像处理装置的结构框图;
图2是本发明中分类器构建单元结构框图;
图3是本发明所述基于纹理特征分类的图像处理方法流程示意图;
图4是本发明中训练随机森林分类器的流程示意图。
具体实施方式
下面将参考附图来描述本发明所述的实施例。本领域的普通技术人员可以认识到,在不偏离本发明的精神和范围的情况下,可以用各种不同的方式或其组合对所描述的实施例进行修正。因此,附图和描述在本质上是说明性的,而不是用于限制权利要求的保护范围。此外,在本说明书中,附图未按比例画出,并且相同的附图标记表示相同的部分。
下面结合图1-图4来详细说明本实施例。
医学图像可以用于显示各种疾病,在生理上,疾病的分布和特征变化在医学图像上对应不同的图像特征,通常通过多个图像特征联合描述某一个区域内实际生理特征的变化。现有的图像质量难以准确识别生理特征的病变,图像识别的准确率低,本发明通过利用图像的纹理特征描述股骨头抽象的物理特征,例如,股骨头坏死病变通常表现为骨密度不均、组织坏死、表面塌陷、新生骨小梁排列不齐等特征,通过肉眼观测到的特征难以量化,本发明将物理特征转变为特征向量的形式进行表述,准确识别图像表征的生理特征,提高图像识别的准确率。
图1是本发明所述基于纹理特征分类的图像处理装置的结构框图,如图1所示,本发明所述基于纹理特征分类的图像处理装置,包括:
图像提取模块100,用于获取仅包含股骨头的图像;
图像预处理模块200,对获取的图像进行灰度量化;
特征向量提取模块300,用于计算灰度共生矩阵,并提取纹理特征向量,包括:灰度共生矩阵构建单元310,选取距离差分值(a,b);并沿0°,45°,90°,135°四个方向进行逐点滑动扫描,得到四个灰度共生矩阵,分别如下所示:
P0°.d(a,b)=|{[(k,l),(m,n)]∈D:k-m=0,|l-n|=d,f(k,l)=a,f(m,n)=b}|
P45°.d(a,b)=|{[(k,l),(m,n)]∈D:(k-m=d,l-n=-d)∨(k-m=-d,l-n=d),f(k,l)=a,f(m,n)=b}|
P90°.d(a,b)=|{[(k,l),(m,n)]∈D:|k-m|=d,l-n=0,f(k,l)=a,f(m,n)=b}|
P135°.d(a,b)=|{[(k,l),(m,n)]∈D:(k-m=d,l-n=d)∨(k-m=-d,l-n=-d),f(k,l)=a,f(m,n)=b}|
式中,(a,b)为选取的距离差分值,(k,l)为原始的像素坐标,(m,n)为偏移之后的像素坐标,d为原始像素点与偏移后像素点之间的距离,D为图像,f(k,l)为原始像素点的灰度值,f(m,n)为偏移后像素点的灰度值;和特征向量构建单元320,用于构建纹理特征向量,选择四个灰度共生矩阵的能量、熵、相关性和对比度作为统计量,分别如下式表示,构成十六维纹理特征向量,
能量:
熵:
相关性:
对比度:
式中,M(i,j)表示灰度共生矩阵的值;以及
特征分类模块400,包括分类器构建单元410,构建分类器,将纹理特征向量输入构建形成的分类器进行分类,输出分类结果,分类输出结果为0或1,0表示图像表征的股骨头生理特征正常,1表示图像表征的股骨头生理特征异常,出现病变。
本发明的一个可选的实施例中,图像提取模块100所提取的图像的灰度级别为256级,灰度值为0~255,对获取的图像进行灰度量化时,为了缩短计算时间,对获取的图像进行灰度降级,选择灰度降级为Q,则降级后的图像灰度值为:
Gray'(i,j)=[Gray(i,j)/Q]
式中,[]表示向下取整,Gray(i,j)表示获取的图像的灰度值,Gray'(i,j)表示降级后的图像灰度值。
Q的取值可以是8,16,32,64等,优选取值为16,降级后的图像灰度值为0-15,对灰度降级后的图像进行处理,可以提高处理速度。
本发明中,特征向量提取模块300中,设置的距离差分值(a,b)决定了滑动窗口的大小,而滑动窗口的大小与纹理的细致程度密切相关。例如,对于髋关节X光片的图像,病变的纹理比较细致,所设置的距离差分值较小。本发明的一个可选的实施例中,对应0°,45°,90°,135°四个扫描方向,选取的距离差分值(a,b)分别为(1,0),(0,1),(1,1),(-1,-1)。
图2是本发明中分类器构建单元结构框图,如图2所示,本发明的一个实施例中,所述分类器构建单元410包括:
数据输入子单元411,输入纹理特征向量数据集和分类标签,获取样本总数N和特征维数M;
条件设置子单元412,根据样本总数设置随机森林中决策树的数目Num,设置叶子节点最小尺寸、停止分裂条件以及是否剪枝;
训练集形成子单元413,从N个样本中有放回地抽样N次,形成一个训练集,并用未抽到的样本作预测,评估其误差;
决策树形成子单元414,对于每一个叶子节点,随机选取t个特征,且t远远小于M,优选地,t的取值为或根据t个特征计算叶子节点的最佳分裂方式,形成决策树;以及
分类器形成子单元415,构造Num棵决策树,形成随机森林分类器。
其中,在确定叶子节点的最佳分裂方式时,需要在每个叶子节点的t个特征中,计算每个特征对应的信息量,选择一个最具有分类能力的特征作为分类依据进行分类,从而确定叶子节点的分裂方式,形成决策树。在本发明的一个实施例中,信息量包括基尼指数,用基尼指数来衡量选择的特征作为分类依据的权威性。基尼指数的计算方式如下:
其中,pr表示分到第r个类别的概率,R表示类别总数。基尼指数越小,分类依据越明显,选取的特征作为分类依据的权威性越强。
在条件设置子单元412中,设置随机森林中决策树的数目Num时,根据样本总数确定Num,优选地,决策树的数目Num在[50,100]范围内,既能保持一定的样本规模,也能保证随机森林分类器具有良好的分类功能,且在Num大于100时,随着Num的增加,随机森林分类器对于新样本的预测分类性能下降。
在本发明的一个可选的实施例中,条件设置子单元412中,叶子节点最小尺寸设置为1,停止分裂条件设置为决策树的高度为4或者每个叶子节点的样本数目小于5,是否剪枝设置为否,使每棵决策树完整生长。
需要说明的是,本发明中,以通过分类器构建单元构建形成的随机森林分类器对提取的纹理特征向量进行分类为例进行说明,输出分类结果,而本发明并不限于此,也可以构建形成支持向量机等其他的分类器对提取的纹理特征向量进行分类。
本发明的另一个方面提供一种基于纹理特征分类的图像处理方法,如图3所示,所述图像处理方法包括以下步骤:
步骤S1,获取仅包含股骨头的图像;
步骤S2,对获取的图像进行灰度量化;
步骤S3,计算灰度共生矩阵,提取纹理特征向量,包括:
步骤S31,选取距离差分值(a,b);
步骤S32,沿0°,45°,90°,135°四个方向进行逐点滑动扫描,得到四个灰度共生矩阵,分别如下所示:
P0°.d(a,b)=|{[(k,l),(m,n)]∈D:k-m=0,|l-n|=d,f(k,l)=a,f(m,n)=b}|
P45°.d(a,b)=|{[(k,l),(m,n)]∈D:(k-m=d,l-n=-d)∨(k-m=-d,l-n=d),f(k,l)=a,f(m,n)=b}|
P90°.d(a,b)=|{[(k,l),(m,n)]∈D:|k-m|=d,l-n=0,f(k,l)=a,f(m,n)=b}|
P135°.d(a,b)=|{[(k,l),(m,n)]∈D:(k-m=d,l-n=d)∨(k-m=-d,l-n=-d),f(k,l)=a,f(m,n)=b}|
式中,(a,b)为选取的距离差分值,(k,l)为原始的像素坐标,(m,n)为偏移之后的像素坐标,d为原始像素点与偏移后像素点之间的距离,D为图像,f(k,l)为原始像素点的灰度值,f(m,n)为偏移后像素点的灰度值;
步骤S33,选择四个灰度共生矩阵的能量、熵、相关性和对比度作为统计量,分别如下式所示,构成十六维纹理特征向量,
能量:
熵:
相关性:
对比度:
式中,M(i,j)表示灰度共生矩阵的值;
步骤S4,构建分类器,将纹理特征向量输入构建形成的分类器进行分类,输出分类结果。
图4是本发明中训练随机森林分类器的流程示意图,如图4所示,在本发明的一个实施例中,所述步骤S4中,构建分类器包括以下步骤:
步骤S41,输入纹理特征向量数据集和分类标签,获取样本总数N和特征维数M;
步骤S42,根据样本总数设置随机森林中决策树的数目Num,设置叶子节点最小尺寸、停止分裂条件以及是否剪枝;
步骤S43,从N个样本中有放回地抽样N次,形成一个训练集,并用未抽到的样本作预测,评估其误差;
步骤S44,对于每一个叶子节点,随机选取t个特征,且t小于M,根据t个特征计算叶子节点的最佳分裂方式,计算t个特征中每个特征对应的信息量,选择其中一个特征作为分类依据,从而确定叶子节点的最佳分裂方式,形成决策树;
步骤S45,构造Num棵决策树,形成随机森林分类器。
在步骤S42中,决策树的数目Num在[50,100]范围内,既能保持一定的样本规模,也能保证随机森林分类器具有良好的分类功能。叶子节点最小尺寸设置为1,停止分裂条件设置为决策树的高度为4或者每个叶子节点的样本数目小于5,是否剪枝设置为否,使每棵决策树完整生长。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于纹理特征分类的图像处理装置,其特征在于,包括:
图像提取模块,用于获取仅包含股骨头的图像;
图像预处理模块,对获取的图像进行灰度量化;
特征向量提取模块,用于计算灰度共生矩阵,并提取纹理特征向量,包括:灰度共生矩阵构建单元,选取距离差分值(a,b),并沿0°,45°,90°,135°四个方向进行逐点滑动扫描,得到四个灰度共生矩阵,分别如下所示:
P0°.d(a,b)=|{[(k,l),(m,n)]∈D:k-m=0,|l-n|=d,f(k,l)=a,f(m,n)=b}|
P45°.d(a,b)=|{[(k,l),(m,n)]∈D:(k-m=d,l-n=-d)∨(k-m=-d,l-n=d),f(k,l)=a,f(m,n)=b}|
P90°.d(a,b)=|{[(k,l),(m,n)]∈D:|k-m|=d,l-n=0,f(k,l)=a,f(m,n)=b}|
P135°.d(a,b)=|{[(k,l),(m,n)]∈D:(k-m=d,l-n=d)∨(k-m=-d,l-n=-d),f(k,l)=a,f(m,n)=b}|
式中,(a,b)为选取的距离差分值,(k,l)为原始的像素坐标,(m,n)为偏移之后的像素坐标,d为原始像素点与偏移后像素点之间的距离,D为图像,f(k,l)为原始像素点的灰度值,f(m,n)为偏移后像素点的灰度值;和特征向量构建单元,用于构建纹理特征向量,选择四个灰度共生矩阵的能量、熵、相关性和对比度作为统计量,分别如下式表示,
能量:
熵:
相关性:
对比度:
式中,M(i,j)表示灰度共生矩阵的值;以及
特征分类模块,包括分类器构建单元,构建分类器,将纹理特征向量输入构建形成的分类器进行分类,输出分类结果0或1,0表示股骨头正常,1表示股骨头异常。
2.根据权利要求1所述的基于纹理特征分类的图像处理装置,其特征在于,所述分类器构建单元包括:
数据输入子单元,输入纹理特征向量数据集和分类标签,获取样本总数N和特征维数M;
条件设置子单元,根据样本总数设置随机森林中决策树的数目Num,设置叶子节点最小尺寸、停止分裂条件以及是否剪枝;
训练集形成子单元,从N个样本中有放回地抽样N次,形成一个训练集;
决策树形成子单元,对于每一个叶子节点,随机选取t个特征,且t小于M,计算t个特征中每个特征对应的信息量,选择其中一个特征作为分类依据,确定叶子节点的分裂方式,形成决策树;以及
分类器形成子单元,构造Num棵决策树,形成随机森林分类器。
3.根据权利要求2所述的基于纹理特征分类的图像处理装置,其特征在于,所述信息量包括基尼指数,基尼指数通过下式计算:
其中,pr表示分到第r个类别的概率,R表示类别总数。
4.根据权利要求2所述的基于纹理特征分类的图像处理装置,其特征在于,所述条件设置子单元中,决策树的数目Num在[50,100]范围内。
5.根据权利要求2所述的基于纹理特征分类的图像处理装置,其特征在于,所述条件设置子单元中,叶子节点最小尺寸设置为1,停止分裂条件设置为决策树的高度为4或者每个叶子节点的样本数目小于5,是否剪枝设置为否。
6.根据权利要求2所述的基于纹理特征分类的图像处理装置,其特征在于,所述决策树形成子单元中,t的取值为或
7.根据权利要求1所述的基于纹理特征分类的图像处理装置,其特征在于,所述图像预处理模块中,获取的图像的灰度值为0~255,对获取的图像进行灰度降级,选择灰度降级为Q,则降级后的图像灰度值为:
Gray'(i,j)=[Gray(i,j)/Q]
式中,[]表示向下取整,Gray(i,j)表示获取的图像的灰度值,Gray'(i,j)表示降级后的图像灰度值。
8.根据权利要求1所述的基于纹理特征分类的图像处理装置,其特征在于,所述特征向量提取模块中,对应0°,45°,90°,135°四个扫描方向,选取的距离差分值(a,b)分别为(1,0),(0,1),(1,1),(-1,-1)。
9.一种基于纹理特征分类的图像处理方法,其特征在于,包括以下步骤:
步骤S1,获取仅包含股骨头的图像;
步骤S2,对获取的图像进行灰度量化;
步骤S3,计算灰度共生矩阵,提取纹理特征向量,包括:
步骤S31,选取距离差分值(a,b);
步骤S32,沿0°,45°,90°,135°四个方向进行逐点滑动扫描,得到四个灰度共生矩阵,分别如下所示:
P0°.d(a,b)=|{[(k,l),(m,n)]∈D:k-m=0,|l-n|=d,f(k,l)=a,f(m,n)=b}|
P45°.d(a,b)=|{[(k,l),(m,n)]∈D:(k-m=d,l-n=-d)∨(k-m=-d,l-n=d),f(k,l)=a,f(m,n)=b}|
P90°.d(a,b)=|{[(k,l),(m,n)]∈D:|k-m|=d,l-n=0,f(k,l)=a,f(m,n)=b}|
P135°.d(a,b)=|{[(k,l),(m,n)]∈D:(k-m=d,l-n=d)∨(k-m=-d,l-n=-d),f(k,l)=a,f(m,n)=b}|
式中,(a,b)为选取的距离差分值,(k,l)为原始的像素坐标,(m,n)为偏移之后的像素坐标,d为原始像素点与偏移后像素点之间的距离,D为图像,f(k,l)为原始像素点的灰度值,f(m,n)为偏移后像素点的灰度值;
步骤S33,选择四个灰度共生矩阵的能量、熵、相关性和对比度作为统计量,分别如下式所示,构成十六维纹理特征向量,
能量:
熵:
相关性:
对比度:
式中,M(i,j)表示灰度共生矩阵的值;
步骤S4,构建分类器,将纹理特征向量输入构建形成的分类器进行分类,输出分类结果。
10.根据权利要求9所述的基于纹理特征分类的图像处理方法,其特征在于,所述步骤S4中,构建分类器包括以下步骤:
步骤S41,输入纹理特征向量数据集和分类标签,获取样本总数N和特征维数M;
步骤S42,根据样本总数设置随机森林中决策树的数目Num,设置叶子节点最小尺寸、停止分裂条件以及是否剪枝;
步骤S43,从N个样本中有放回地抽样N次,形成一个训练集;
步骤S44,对于每一个叶子节点,随机选取t个特征,且t小于M,计算t个特征中每个特征对应的信息量,选择其中一个特征作为分类依据,确定叶子节点的分裂方式,形成决策树;
步骤S45,构造Num棵决策树,形成随机森林分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810548916.9A CN108764355A (zh) | 2018-05-31 | 2018-05-31 | 基于纹理特征分类的图像处理装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810548916.9A CN108764355A (zh) | 2018-05-31 | 2018-05-31 | 基于纹理特征分类的图像处理装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108764355A true CN108764355A (zh) | 2018-11-06 |
Family
ID=64001131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810548916.9A Pending CN108764355A (zh) | 2018-05-31 | 2018-05-31 | 基于纹理特征分类的图像处理装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764355A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263798A (zh) * | 2019-06-21 | 2019-09-20 | 清华大学 | 高分辨率图像纹理特征提取方法及系统 |
CN110458159A (zh) * | 2019-08-27 | 2019-11-15 | 南京信息工程大学 | 一种图像纹理特征的提取分类装置及分类方法 |
CN110647907A (zh) * | 2019-08-05 | 2020-01-03 | 广东工业大学 | 利用多层分类和字典学习的多标签图像分类算法 |
CN110706294A (zh) * | 2019-09-10 | 2020-01-17 | 武汉纺织大学 | 一种色纺织物颜色差异度检测方法 |
CN111724357A (zh) * | 2020-06-09 | 2020-09-29 | 四川大学 | 基于数字放射图像及支持向量回归的手臂骨密度测量方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389813A (zh) * | 2015-10-30 | 2016-03-09 | 上海联影医疗科技有限公司 | 医学图像中器官的识别方法及分割方法 |
CN105931224A (zh) * | 2016-04-14 | 2016-09-07 | 浙江大学 | 基于随机森林算法的肝脏平扫ct图像病变识别方法 |
-
2018
- 2018-05-31 CN CN201810548916.9A patent/CN108764355A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389813A (zh) * | 2015-10-30 | 2016-03-09 | 上海联影医疗科技有限公司 | 医学图像中器官的识别方法及分割方法 |
CN105931224A (zh) * | 2016-04-14 | 2016-09-07 | 浙江大学 | 基于随机森林算法的肝脏平扫ct图像病变识别方法 |
Non-Patent Citations (3)
Title |
---|
CHENGWEN CHU 等: "Fully Automatic Segmentation of Hip CT Images via Random Forest Regression-Based Atlas Selection and Optimal Graph Search-Based Surface Detection", 《2014 ASIAN CONFERENCE ON COMPUTER VISION》 * |
焦李成 等著: "《雷达图像解译技术》", 31 December 2017, 国防工业出版社 * |
贾永红 编著: "《数字图像处理》", 31 July 2015, 武汉大学出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263798A (zh) * | 2019-06-21 | 2019-09-20 | 清华大学 | 高分辨率图像纹理特征提取方法及系统 |
CN110647907A (zh) * | 2019-08-05 | 2020-01-03 | 广东工业大学 | 利用多层分类和字典学习的多标签图像分类算法 |
CN110458159A (zh) * | 2019-08-27 | 2019-11-15 | 南京信息工程大学 | 一种图像纹理特征的提取分类装置及分类方法 |
CN110706294A (zh) * | 2019-09-10 | 2020-01-17 | 武汉纺织大学 | 一种色纺织物颜色差异度检测方法 |
CN111724357A (zh) * | 2020-06-09 | 2020-09-29 | 四川大学 | 基于数字放射图像及支持向量回归的手臂骨密度测量方法 |
CN111724357B (zh) * | 2020-06-09 | 2023-05-16 | 四川大学 | 基于数字放射图像及支持向量回归的手臂骨密度测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764355A (zh) | 基于纹理特征分类的图像处理装置及方法 | |
CN108305248B (zh) | 一种骨折识别模型的构建方法及应用 | |
CN105894517B (zh) | 基于特征学习的ct图像肝脏分割方法及系统 | |
CN112184617B (zh) | 一种基于深度学习的脊椎mri影像关键点检测方法 | |
CN111047572A (zh) | 一种基于Mask RCNN的医学图像中脊柱自动定位方法 | |
CN103249358B (zh) | 医用图像处理装置 | |
CN108334899A (zh) | 基于手骨x光片骨骼和关节量化信息集成的骨龄评估方法 | |
CN106228528B (zh) | 一种基于决策图与稀疏表示的多聚焦图像融合方法 | |
US7248728B2 (en) | Abnormal shadow detecting system | |
CN110363765A (zh) | 基于ct影像的骨质疏松参数自动测量方法 | |
CN103607947A (zh) | 解剖标志的检测 | |
CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
EP1778073A1 (en) | Non-invasive joint evaluation | |
WO2023160272A1 (zh) | 基于深度学习的髋关节置换术后影像的评估方法及系统 | |
CN101667289A (zh) | 基于nsct特征提取和监督分类的视网膜图像分割方法 | |
CN114693682B (zh) | 一种基于图像处理的脊椎特征识别方法 | |
CN115187606A (zh) | 一种青少年特发性脊柱侧凸pumc分型方法 | |
CN108898601B (zh) | 基于随机森林的股骨头图像分割装置及分割方法 | |
CN114648492A (zh) | 基于深度学习的全髋关节术后偏心距的计算方法及系统 | |
CN116993736B (zh) | 一种骨质疏松区域智能识别系统 | |
CN110427987A (zh) | 一种关节炎患者的足底压力特征识别方法和系统 | |
KR101863227B1 (ko) | 디지털 병리 시스템의 환자 케이스 동일성 판단 방법 | |
CN112734740B (zh) | 训练目标检测模型的方法、目标检测的方法及其装置 | |
CN112991289B (zh) | 图像标准切面的处理方法及装置 | |
CN111369490B (zh) | 提取骨x光图像特征判断骨质疏松的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |