CN108875741B - 一种基于多尺度模糊的声学图像纹理特征提取方法 - Google Patents

一种基于多尺度模糊的声学图像纹理特征提取方法 Download PDF

Info

Publication number
CN108875741B
CN108875741B CN201810620930.5A CN201810620930A CN108875741B CN 108875741 B CN108875741 B CN 108875741B CN 201810620930 A CN201810620930 A CN 201810620930A CN 108875741 B CN108875741 B CN 108875741B
Authority
CN
China
Prior art keywords
image
cwt
extracting
scale
acoustic
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
Application number
CN201810620930.5A
Other languages
English (en)
Other versions
CN108875741A (zh
Inventor
孙建国
袁野
吴舰宇
刘铎
杨旸
李守政
钟琦
刘加贝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201810620930.5A priority Critical patent/CN108875741B/zh
Publication of CN108875741A publication Critical patent/CN108875741A/zh
Application granted granted Critical
Publication of CN108875741B publication Critical patent/CN108875741B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • 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
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于多尺度模糊的声学图像纹理特征提取方法，属于计算机技术领域，包括图像预处理，图像特征值提取及分类器分类。主要实现步骤为：寻找并选取图像的感兴趣区域ROI；对图像进行自适应中值滤波处理，以最小化图像的散斑噪声，保持对脉冲噪声的鲁棒性和图像的边缘特性；对图像进行膨胀和腐蚀操作来进一步移除散斑噪声以及柔化图像；利用直方图均衡来改善图像的对比度，使它在每个灰度级具有相同的像素数；对图像进行模糊局部二元模式操作LBP，得到对应ROI的FLBP地图；采用双树复小波变换DT‑CWT提取不同尺度的特征；选择随机森林RF作为分类器，将超声图像中内容分为正例和反例；本发明能够高效、准确的对超声图像进行分类，具有广阔的发展前景。

Description

一种基于多尺度模糊的声学图像纹理特征提取方法
技术领域
本发明属于计算机技术领域，具体涉及一种计算机技术、图像处理、人工智能AI和数据挖掘相结合的基于多尺度模糊的声学图像纹理特征提取方法。
背景技术
超声图像是反映介质中声学参数的差异，可得到不同于光学、X射线、y射线等的信息。超声对人体软组织有良好的分辨能力，可得到高达120dB以上动态范围的有用信号，有利于识别生物组织的微小病变。超声图像显示活体组织时不用染色处理，即可获得所需图像。
超声成像是利用超声声束扫描人体，通过对反射信号的接收、处理，以获得体内器官的图象。常用的超声仪器有多种：A型(幅度调制型)是以波幅的高低表示反射信号的强弱，显示的是一种“回声图”。M型(光点扫描型)是以垂直方向代表从浅至深的空间位置，水平方向代表时间，显示为光点在不同时间的运动曲线图。以上两型均为一维显示，应用范围有限。B型(辉度调制型)即超声切面成象仪，简称“B超”。是以亮度不同的光点表示接收信号的强弱，在探头沿水平位置移动时，显示屏上的光点也沿水平方向同步移动，将光点轨迹连成超声声束所扫描的切面图，为二维成象。至于D型是根据超声多普勒原理制成.C型则用近似电视的扫描方式，显示出垂直于声束的横切面声象图。近年来，超声成象技术不断发展，如灰阶显示和彩色显示、实时成象、超声全息摄影、穿透式超声成像、超声计并机断层圾影、三维成象、体腔内超声成像等。
但是在通常情况下，超声图像的分辨率低，图像内容的边缘模糊。因此如何提取描述超声图像的最佳特征是一个巨大的挑战，他们会高度影响在机器学习中分类结果的精度和训练时间。
目前已有的特征提取法诸如局部相位量化LPQ(Local Phase Quantization)、完整区别性局部特征CDLF(Completed Discriminative Local Features)对超声图像分类的查准率与查全率均不如本发明所提出的特征提取方法。
发明内容
本发明的目的在于提供一种通过计算机技术对超声图像进行图像预处理，图像特征值提取，然后通过分类器对超声图像进行高效、准确分类的基于多尺度模糊的声学图像纹理特征提取方法。
本发明的目的是这样实现的：
本发明公开了一种基于多尺度模糊的声学图像纹理特征提取方法，包括图像预处理，图像特征值提取及分类器分类，具体包括以下步骤：
(1)寻找并选取图像的感兴趣区域ROI；
(2)对图像进行自适应中值滤波处理，使图像的散斑噪声趋于最小化，保持对脉冲噪声的鲁棒性和图像的边缘特性；
(3)对处理后的图片进行形态变换，包括对图像进行膨胀和腐蚀操作，进一步移除散斑噪声以及柔化图像；
(4)利用直方图均衡改善图像的对比度，将一幅图像转换为另一幅平衡直方图，使它在每个灰度级具有相同的像素数；
(5)对图像进行LBP模糊局部二元模式操作，得到对应ROI的FLBP地图；
(6)采用双树复小波变换DT-CWT，提取不同尺度的特征，进而反映不同分辨率下灰度图像沿不同方向的变化，描述图像的方向特征；
(7)选择随机森林RF作为分类器，对超声图像中的内容进行区分，得到正例和反例。
对于一种基于多尺度模糊的声学图像纹理特征提取方法，步骤(2)中所述的对图像进行自适应中值滤波处理通过自适应中值滤波器实现，在滤波的过程中，自适应中值滤波器根据预先设定好的条件，动态的改变滤波器的窗口尺寸大小，同时根据预设条件判断当前像素是否为噪声，如果是则用邻域中值替换掉当前像素；不是，则不作改变；具体通过以下步骤实现：
(2.1)在预设的最大窗口Amax中选取一部分窗口Aij，设(i,j)点的灰度值为：fij，设当前窗口灰度值的最小值，最大值，中值分别为fmin，fmax，fmed；
(2.2)若有fmin＜fmed＜fmax，则转至(2.3)，否则在Aij小于Amax前重复此步骤；
(2.3)判断fmin＜fij＜fmax是否成立，若成立则在(i,j)点输出fij，否则输出fmed。
对于一种基于多尺度模糊的声学图像纹理特征提取方法，步骤(3)中所述的对图像进行膨胀操作的具体操作为对输出图像的所有像素点，调查原图像中对应窗口中的像素集合，把二值图像各像素连接成分的边界扩大一层；所述的对图像进行腐蚀操作的具体操作为把二值图像各像素连接成分的边界点去掉，进而缩小一层。
对于一种基于多尺度模糊的声学图像纹理特征提取方法，步骤(4)中所述的对图像进行直方图均衡是把原始图的直方图变换为分布式的形式，具体的实现方式为：
设原始图像在(x,y)处的灰度为f，改变后的图像为g，f-g的映射函数用累积分布函数实现，将原图像f的分布转换成g的均匀分布，变换函数为
Figure BDA0001698007980000031
其中，l为图像中所有的灰度级。
对于一种基于多尺度模糊的声学图像纹理特征提取方法，步骤(5)中所述的对图像进行LBP模糊局部二元模式操作中，将模糊理论引入FLBP算子的编码阶段，考虑不同方向的平均强度差异，作为模糊调节器或阈值；结合FLBP运算符与DT-CWT的优点扩展改进原始的LBP，改变原有LBP的非“1”即“0”模式；
其中，3×3单元中每个邻域的隶属度由'1'标记如下：
Figure BDA0001698007980000032
其中Dk是模糊调节器，不同方向有：
Figure BDA0001698007980000033
Figure BDA0001698007980000034
Figure BDA0001698007980000035
Figure BDA0001698007980000036
FLBP方程：
Figure BDA0001698007980000037
对于一种基于多尺度模糊的声学图像纹理特征提取方法，所述的步骤(6)通过DT-CWT，将图像分为3层，具体的实施方式包括：
(6.1)通过使用1-D DT-CWT滤除LBP映射的行和列，实现2-D DT-CWT，经过DT-CWT滤波后，每层考虑±15°、±45°、±75°六个方向，得到18幅图像；
(6.2)提取DT-CWT特征，使用3层2-D DT-CWT滤波器获得每一层的系数矩阵，之后计算系数矩阵的均值μ和方差σ，计算方法如下：
Figure BDA0001698007980000038
Figure BDA0001698007980000041
(6.3)将每幅图像的均值和方差作为特征，每个样本得到36维度的特征向量；
(6.4)将36个特征参数连接起来形成每个ROI的特征向量，即将特征归一化，从而加快梯度下降的求解速度，提升模型的收敛速度。
对于一种基于多尺度模糊的声学图像纹理特征提取方法，所述的步骤(7)中对RF进行调参训练，选择深度为9，基分类器90的随机森林，并研究它对纹理分析方法的影响；将步骤(6)中提取的特征向量输入分类器中，使用重复20次的3倍交叉验证评估模型性能。
本发明的有益效果在于：本发明公开的一种基于多尺度模糊的声学图像纹理特征提取方法，通过计算机技术对超声图像进行图像预处理，图像特征值提取，之后通过分类器对超声图像进行高效、准确的分类，提高了在机器学习中分类结果的精度，减少了训练时间。
附图说明
图1为本发明中基于多尺度模糊的声学图像纹理特征提取方法的流程示意图；
图2为本发明中基于多尺度模糊的声学图像纹理特征提取方法的图像流程示意图；
图3(a)为本发明中经过FLBP运算后的图像示意图；图3(b)为本发明中分别经过三个水平的DT-CWT过滤器处理过后的图像示意图；
图4为本发明中实验分类混淆矩阵；
图5为本发明中分类实验结果；
图6为本发明中采用随机森林(RF)，支持向量机器(SVM)，K最邻近(KNN)三类分类器的ROC曲线；
图7为本发明中采用随机森林(RF)，支持向量机器(SVM)，K最邻近(KNN)三类分类器的AUC面积。
具体实施方式
下面结合附图对本发明做进一步描述。
结合图1，本发明公开了一种基于多尺度模糊的声学图像纹理特征提取方法，包括图像预处理，图像特征值提取及分类器分类，具体包括以下步骤：
(1)寻找并选取图像的感兴趣区域ROI；
(2)对图像进行自适应中值滤波处理，使图像的散斑噪声趋于最小化，保持对脉冲噪声的鲁棒性和图像的边缘特性；
(3)对处理后的图片进行形态变换，包括对图像进行膨胀和腐蚀操作，进一步移除散斑噪声以及柔化图像；
(4)利用直方图均衡改善图像的对比度，将一幅图像转换为另一幅平衡直方图，使它在每个灰度级具有相同的像素数；
(5)对图像进行LBP模糊局部二元模式操作，得到对应ROI的FLBP地图；
(6)采用双树复小波变换DT-CWT，提取不同尺度的特征，进而反映不同分辨率下灰度图像沿不同方向的变化，描述图像的方向特征；
(7)选择随机森林RF作为分类器，对超声图像中的内容进行区分，得到正例和反例。
对于一种基于多尺度模糊的声学图像纹理特征提取方法，步骤(2)中所述的对图像进行自适应中值滤波处理通过自适应中值滤波器实现，在滤波的过程中，自适应中值滤波器根据预先设定好的条件，动态的改变滤波器的窗口尺寸大小，同时根据预设条件判断当前像素是否为噪声，如果是则用邻域中值替换掉当前像素；不是，则不作改变；具体通过以下步骤实现：
(2.1)在预设的最大窗口Amax中选取一部分窗口Aij，设(i,j)点的灰度值为：fij，设当前窗口灰度值的最小值，最大值，中值分别为fmin，fmax，fmed；
(2.2)若有fmin＜fmed＜fmax，则转至(2.3)，否则在Aij小于Amax前重复此步骤；
(2.3)判断fmin＜fij＜fmax是否成立，若成立则在(i,j)点输出fij，否则输出fmed。
对于一种基于多尺度模糊的声学图像纹理特征提取方法，步骤(3)中所述的对图像进行膨胀操作的具体操作为对输出图像的所有像素点，调查原图像中对应窗口中的像素集合，把二值图像各像素连接成分的边界扩大一层；所述的对图像进行腐蚀操作的具体操作为把二值图像各像素连接成分的边界点去掉，进而缩小一层。
对于一种基于多尺度模糊的声学图像纹理特征提取方法，步骤(4)中所述的对图像进行直方图均衡是把原始图的直方图变换为分布式的形式，具体的实现方式为：
设原始图像在(x,y)处的灰度为f，改变后的图像为g，f-g的映射函数用累积分布函数实现，将原图像f的分布转换成g的均匀分布，变换函数为
Figure BDA0001698007980000051
其中，l为图像中所有的灰度级。
对于一种基于多尺度模糊的声学图像纹理特征提取方法，步骤(5)中所述的对图像进行LBP模糊局部二元模式操作中，将模糊理论引入FLBP算子的编码阶段，考虑不同方向的平均强度差异，作为模糊调节器或阈值；结合FLBP运算符与DT-CWT的优点扩展改进原始的LBP，改变原有LBP的非“1”即“0”模式；
其中，3×3单元中每个邻域的隶属度由'1'标记如下：
Figure BDA0001698007980000061
其中Dk是模糊调节器，不同方向有：
Figure BDA0001698007980000062
Figure BDA0001698007980000063
Figure BDA0001698007980000064
Figure BDA0001698007980000065
FLBP方程：
Figure BDA0001698007980000066
对于一种基于多尺度模糊的声学图像纹理特征提取方法，所述的步骤(6)通过DT-CWT，将图像分为3层，具体的实施方式包括：
(6.1)通过使用1-D DT-CWT滤除LBP映射的行和列，实现2-D DT-CWT，经过DT-CWT滤波后，每层考虑±15°、±45°、±75°六个方向，得到18幅图像；
(6.2)提取DT-CWT特征，使用3层2-D DT-CWT滤波器获得每一层的系数矩阵，之后计算系数矩阵的均值μ和方差σ，计算方法如下：
Figure BDA0001698007980000067
Figure BDA0001698007980000068
(6.3)将每幅图像的均值和方差作为特征，每个样本得到36维度的特征向量；
(6.4)将36个特征参数连接起来形成每个ROI的特征向量，即将特征归一化，从而加快梯度下降的求解速度，提升模型的收敛速度。
对于一种基于多尺度模糊的声学图像纹理特征提取方法，所述的步骤(7)中对RF进行调参训练，选择深度为9，基分类器90的随机森林，并研究它对纹理分析方法的影响；将步骤(6)中提取的特征向量输入分类器中，使用重复20次的3倍交叉验证评估模型性能。
本发明通过以下技术方案实现：
本发明用于对超声图像的分类，作对比的已有方法为局部相位量化——LQC和完整区别性局部特征——CDLF；
对图像数据的处理主要包括以下几个方面：1.图像预处理；2.特征值提取；3.分类评估；4.对比评估。
1.图像预处理：
首先选取超声图像的感兴趣区域：如图2所示，接着让图像通过自适应中值滤波器，旨在消除图像的椒盐噪声和散斑噪声，处理过后的图像如图2(a)所示。之后对处理后的图片进行形态变换，这一变换过程主要包括对图像的膨胀处理和腐蚀处理。膨胀处理可以消除图像中的裂缝。腐蚀处理可以移除图像中不相关的细节。经过处理后的图像如图2(b)所示。最后对图像进行直方图均衡来改善图像的对比度，使它在每个灰度级具有相同的像素数，经过这一步处理后的图像如图2(c)所示。
2.特征值提取：
下面举例说明本发明对超声图像进行特征值提取的方法，首先经过FLBP运算后得到的图像如图3(a)所示，之后对其进行三个水平的DT-CWT过滤器处理过后可以分别得到的图像如图3(b)所示。
3.分类评估：
对本发明的分类结果可以用图4所示的分类结果混淆矩阵来说明。对此设置两类评估标准，分别是：
一、准确率，敏感度和特异性，其中：
准确度：是在测试集中识别对的数量(不论是把正样本识别为正样本还是把负样本识别为负样本)除以测试集的数据总量。
敏感度：选出的正例在所有正例中所占的比例。
特异性：选出的反例在所有反例中的比例。
二、ROC曲线与AUC面积，其中：
ROC曲线，即受试者工作特征曲线，选取(1-特异性)和敏感度这两个指标，作为二维坐标的两个轴，然后通过描述在不同阈值下这两个指标的变化，画出一条曲线。
AUC面积：被定义为ROC曲线下的面积，AUC值越大的分类器，正确率越高。
该模型的性能评估使用3折交叉验证法，数据集每个随机分成3组，每组设置了918个图像。每次测试选取其中一个作为测试集，其他两个训练集用于训练模型。每测试将获得准确性，灵敏度和特异性。最后，3次结果的准确性的平均值被用作估计所提出的算法的准确度，敏感性和特异性。得到的实验结果如图5所示。
结果表明，三项指标均能达到99％以上。
4.对比评估：
将相同的特征数据集输入至随机森林(RF)，支持向量机(SVM)，K最近邻(KNN)三种分类器中。又对此三种分类器，分别输入本系统提出的特征提取方法和LQC，CDLF两种特征提取方法。
其中采用RF，SVM，KNN三类分类器的ROC曲线分别如图6(a),图6(b),图6(c)所示；其AUC面积如图7所示。
通过对ROC曲线的分析和AUC面积的比较，可以表明，本系统所采用的随机森林(RF)和特征提取方法均为最优。
根据本发明的实验统计分析表明，所提出的特征提取方法的AUC值高于传统纹理特征的值。在本文讨论的两种方法中，MFLBP通过使用RF分类器获得了最好的结果。AUC达到0.9975。
以上所述仅为本发明的优选实施例而已，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 (6)

1.一种基于多尺度模糊的声学图像纹理特征提取方法，包括图像预处理，图像特征值提取及分类器分类，其特征在于，具体包括以下步骤：
(1)寻找并选取图像的感兴趣区域ROI；
(2)对图像进行自适应中值滤波处理，使图像的散斑噪声趋于最小化，保持对脉冲噪声的鲁棒性和图像的边缘特性；
(3)对处理后的图片进行形态变换，包括对图像进行膨胀和腐蚀操作，进一步移除散斑噪声以及柔化图像；
(4)利用直方图均衡改善图像的对比度，将一幅图像转换为另一幅平衡直方图，使它在每个灰度级具有相同的像素数；
(5)对图像进行LBP模糊局部二元模式操作，得到对应ROI的FLBP地图；
(6)采用双树复小波变换DT-CWT，提取不同尺度的特征，进而反映不同分辨率下灰度图像沿不同方向的变化，描述图像的方向特征；
(7)选择随机森林RF作为分类器，对超声图像中的内容进行区分，得到正例和反例；
步骤(5)中所述的对图像进行LBP模糊局部二元模式操作中，将模糊理论引入FLBP算子的编码阶段，考虑不同方向的平均强度差异，作为模糊调节器或阈值；结合FLBP运算符与DT-CWT的优点扩展改进原始的LBP，改变原有LBP的非“1”即“0”模式；
其中，3×3单元中每个邻域的隶属度由′1′标记如下：
Figure FDA0003267048240000011
其中Dk是模糊调节器，不同方向有：
Figure FDA0003267048240000012
Figure FDA0003267048240000013
Figure FDA0003267048240000014
Figure FDA0003267048240000015
FLBP方程：
Figure FDA0003267048240000016
2.根据权利要求1所述的一种基于多尺度模糊的声学图像纹理特征提取方法，其特征在于：步骤(2)中所述的对图像进行自适应中值滤波处理通过自适应中值滤波器实现，在滤波的过程中，自适应中值滤波器根据预先设定好的条件，动态的改变滤波器的窗口尺寸大小，同时根据预设条件判断当前像素是否为噪声，如果是则用邻域中值替换掉当前像素；不是，则不作改变；具体通过以下步骤实现：
(2.1)在预设的最大窗口Amax中选取一部分窗口Aij，设(i,j)点的灰度值为：fij，设当前窗口灰度值的最小值，最大值，中值分别为fmin，fmax，fmed；
(2.2)若有fmin＜fmed＜fmax，则转至(2.3)，否则在Aij小于Amax前重复此步骤；
(2.3)判断fmin＜fij＜fmax是否成立，若成立则在(i,j)点输出fij，否则输出fmed。
3.根据权利要求1所述的一种基于多尺度模糊的声学图像纹理特征提取方法，其特征在于：步骤(3)中所述的对图像进行膨胀操作的具体操作为对输出图像的所有像素点，调查原图像中对应窗口中的像素集合，把二值图像各像素连接成分的边界扩大一层；所述的对图像进行腐蚀操作的具体操作为把二值图像各像素连接成分的边界点去掉，进而缩小一层。
4.根据权利要求1所述的一种基于多尺度模糊的声学图像纹理特征提取方法，其特征在于，步骤(4)中所述的对图像进行直方图均衡是把原始图的直方图变换为分布式的形式，具体的实现方式为：
设原始图像在(x,y)处的灰度为f，改变后的图像为g，f-g的映射函数用累积分布函数实现，将原图像f的分布转换成g的均匀分布，变换函数为
Figure FDA0003267048240000021
其中，l为图像中所有的灰度级。
5.根据权利要求1所述的一种基于多尺度模糊的声学图像纹理特征提取方法，其特征在于，所述的步骤(6)通过DT-CWT，将图像分为3层，具体的实施方式包括：
(6.1)通过使用1-D DT-CWT滤除LBP映射的行和列，实现2-D DT-CWT，经过DT-CWT滤波后，每层考虑±15°、±45°、±75°六个方向，得到18幅图像；
(6.2)提取DT-CWT特征，使用3层2-D DT-CWT滤波器获得每一层的系数矩阵，之后计算系数矩阵的均值μ和方差σ，计算方法如下：
Figure FDA0003267048240000022
Figure FDA0003267048240000031
(6.3)将每幅图像的均值和方差作为特征，每个样本得到36维度的特征向量；
(6.4)将36个特征参数连接起来形成每个ROI的特征向量，即将特征归一化，从而加快梯度下降的求解速度，提升模型的收敛速度。
6.根据权利要求1所述的一种基于多尺度模糊的声学图像纹理特征提取方法，其特征在于，所述的步骤(7)中对RF进行调参训练，选择深度为9，基分类器90的随机森林，并研究它对纹理分析方法的影响；将步骤(6)中提取的特征向量输入分类器中，使用重复20次的3倍交叉验证评估模型性能。
CN201810620930.5A 2018-06-15 2018-06-15 一种基于多尺度模糊的声学图像纹理特征提取方法 Active CN108875741B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810620930.5A CN108875741B (zh) 2018-06-15 2018-06-15 一种基于多尺度模糊的声学图像纹理特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810620930.5A CN108875741B (zh) 2018-06-15 2018-06-15 一种基于多尺度模糊的声学图像纹理特征提取方法

Publications (2)

Publication Number Publication Date
CN108875741A CN108875741A (zh) 2018-11-23
CN108875741B true CN108875741B (zh) 2021-12-07

Family

ID=64339203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810620930.5A Active CN108875741B (zh) 2018-06-15 2018-06-15 一种基于多尺度模糊的声学图像纹理特征提取方法

Country Status (1)

Country Link
CN (1) CN108875741B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934282B (zh) * 2019-03-08 2022-05-31 哈尔滨工程大学 一种基于sagan样本扩充和辅助信息的sar目标分类方法
CN111797198A (zh) * 2020-06-14 2020-10-20 武汉大学 一种从文本中识别软件体系结构坏味道讨论的方法
CN111986255B (zh) * 2020-09-07 2024-04-09 凌云光技术股份有限公司 一种图像检测模型的多尺度anchor初始化方法与装置
CN112964789B (zh) * 2021-01-30 2023-06-06 江苏省特种设备安全监督检验研究院 一种声学与图像信息相融合的动态点蚀智能评价方法
CN116935181B (zh) * 2023-09-19 2023-11-28 中国空气动力研究与发展中心低速空气动力研究所 一种完全二值散斑嵌入脉宽调制模式三维测量方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103208012A (zh) * 2013-05-08 2013-07-17 重庆邮电大学 一种光照人脸识别方法
CN103424404A (zh) * 2013-08-01 2013-12-04 谢绍鹏 物品的品质检测方法与系统
KR101386513B1 (ko) * 2012-11-14 2014-04-17 계명대학교 산학협력단 공간적 피라미드 기반의 가중 비오에프 히스토그램 및 랜덤 포레스트를 이용한 사람 행동 인식 방법
KR20140082385A (ko) * 2012-12-24 2014-07-02 계명대학교 산학협력단 영상 군집화 기반의 의료 영상 검색 방법
CN104463085A (zh) * 2013-09-23 2015-03-25 深圳市元轩科技发展有限公司 一种基于局部二值模式与kfda的人脸识别方法
CN104794708A (zh) * 2015-04-10 2015-07-22 浙江工业大学 一种基于多特征学习的动脉粥样硬化斑块成分分割方法
US9384398B2 (en) * 2014-06-11 2016-07-05 Here Global B.V. Method and apparatus for roof type classification and reconstruction based on two dimensional aerial images
CN107845098A (zh) * 2017-11-14 2018-03-27 南京理工大学 基于随机森林和模糊聚类的肝癌图像全自动分割方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110257505A1 (en) * 2010-04-20 2011-10-20 Suri Jasjit S Atheromatic?: imaging based symptomatic classification and cardiovascular stroke index estimation
US10753881B2 (en) * 2016-05-27 2020-08-25 Purdue Research Foundation Methods and systems for crack detection

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101386513B1 (ko) * 2012-11-14 2014-04-17 계명대학교 산학협력단 공간적 피라미드 기반의 가중 비오에프 히스토그램 및 랜덤 포레스트를 이용한 사람 행동 인식 방법
KR20140082385A (ko) * 2012-12-24 2014-07-02 계명대학교 산학협력단 영상 군집화 기반의 의료 영상 검색 방법
CN103208012A (zh) * 2013-05-08 2013-07-17 重庆邮电大学 一种光照人脸识别方法
CN103424404A (zh) * 2013-08-01 2013-12-04 谢绍鹏 物品的品质检测方法与系统
CN104463085A (zh) * 2013-09-23 2015-03-25 深圳市元轩科技发展有限公司 一种基于局部二值模式与kfda的人脸识别方法
US9384398B2 (en) * 2014-06-11 2016-07-05 Here Global B.V. Method and apparatus for roof type classification and reconstruction based on two dimensional aerial images
CN104794708A (zh) * 2015-04-10 2015-07-22 浙江工业大学 一种基于多特征学习的动脉粥样硬化斑块成分分割方法
CN107845098A (zh) * 2017-11-14 2018-03-27 南京理工大学 基于随机森林和模糊聚类的肝癌图像全自动分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于钼靶图像的计算机辅助乳腺癌检测系统中关键技术研究;刘俊;《中国博士学位论文全文数据库(电子期刊) 信息科技辑》;20130515(第5期);正文第8-11、41-66页 *

Also Published As

Publication number Publication date
CN108875741A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
CN108875741B (zh) 一种基于多尺度模糊的声学图像纹理特征提取方法
CN111583320B (zh) 融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法、系统及存储介质
CN104637044B (zh) 钙化斑块及其声影的超声图像提取系统
JP2008544766A (ja) デジタル画像のピクセルまたはボクセルをコーディングするための方法、およびデジタル画像を処理するための方法
CN112862808A (zh) 一种基于深度学习的乳腺癌超声图像的可解释性识别方法
Lan et al. Run: Residual u-net for computer-aided detection of pulmonary nodules without candidate selection
Rahmawaty et al. Classification of breast ultrasound images based on texture analysis
Magud et al. Medical ultrasound image speckle noise reduction by adaptive median filter
CN116309806A (zh) 一种基于CSAI-Grid RCNN的甲状腺超声图像感兴趣区域定位方法
Suganya et al. Feature extraction and classification of ultrasound liver images using haralick texture-primitive features: Application of SVM classifier
Widiastuti et al. Noise reduction and mammography image segmentation optimization with novel QIMFT-SSA method
Hosseini-Asl et al. Lung segmentation based on nonnegative matrix factorization
Alzahrani et al. Deep learning approach for breast ultrasound image segmentation
Al-jaburi et al. Medical ultrasound image quality enhancement and regions segmentation
CN104331864A (zh) 基于非下采样轮廓波和视觉显著模型的乳腺影像处理
Shivaram Segmentation of ovarian cyst using improved U-NET and hybrid deep learning model
CN115018780B (zh) 一种融合全局推理和mlp架构的甲状腺结节分割方法
CN112967295B (zh) 一种基于残差网络和注意力机制的图像处理方法及系统
Muthiah et al. Fusion of MRI and PET images using deep learning neural networks
EP3381010B1 (en) Process for processing medical images of a face for recognition of facial dysmorphisms
Jacop et al. Fetal cardiac structure detection from ultrasound sequences
Sivanandan et al. An Improved Ultrasound Tumor Segmentation Using CNN Activation Map Clustering and Active Contours
CN115439423A (zh) 一种基于ct图像的识别方法、装置、设备及存储介质
CN113554671A (zh) 基于轮廓增强的sar图像到可见光图像的转换方法及装置
Singh et al. Quality analysis of synthetic ultrasound images using co-occurrence texture statistics

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
GR01 Patent grant
GR01 Patent grant