CN112365485B - 一种基于Circular LBP和颜色空间转换算法的黑色素瘤识别方法 - Google Patents
一种基于Circular LBP和颜色空间转换算法的黑色素瘤识别方法 Download PDFInfo
- Publication number
- CN112365485B CN112365485B CN202011299807.1A CN202011299807A CN112365485B CN 112365485 B CN112365485 B CN 112365485B CN 202011299807 A CN202011299807 A CN 202011299807A CN 112365485 B CN112365485 B CN 112365485B
- Authority
- CN
- China
- Prior art keywords
- image
- color space
- pixel
- melanoma
- value
- 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
Links
- 201000001441 melanoma Diseases 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 25
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 230000002708 enhancing effect Effects 0.000 claims abstract description 3
- 238000005070 sampling Methods 0.000 claims description 31
- 108091064702 1 family Proteins 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000001914 filtration Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 208000000453 Skin Neoplasms Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000036074 healthy skin Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000001990 intravenous administration Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 201000000849 skin cancer Diseases 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010048038 Wound infection Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Color Image Communication Systems (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明涉及一种基于Circular LBP和颜色空间转换算法的黑色素瘤识别方法,包括:将获取的皮肤RGB图像进行灰度处理得到灰度图像Y;利用Circular LBP算子提取出灰度图像Y中黑色素瘤的图像特征,得到亮度图像L;通过灰度图像Y和亮度图像L对皮肤RGB图像进行按亮度比例增强得到YL图像;将YL图像的RGB颜色空间图像映射至L*a*b*颜色空间;提取L*a*b*颜色空间的图像中a*b*通道的特征向量使用k‑means++算法对图像进行分类,生成原图尺寸的二值化图像,完成黑色素瘤的识别分割。与现有技术相比,本发明具有计算速度快,识别精度高等优点。
Description
技术领域
本发明涉及医疗机器人控制领域,尤其是涉及一种基于Circular LBP和颜色空间转换算法的黑色素瘤识别方法。
背景技术
皮肤表面黑色素瘤识别在医疗机器人控制、皮肤癌诊断、黑色素瘤切除手术等领域具有特定的需求,静脉穿刺机器人在对患者进行注射操作时,需要控制注射器在无黑色素瘤覆盖的皮肤区域进行注射,避免引发病人的伤口感染等后续并发症并提高静脉穿刺的准确率。但是现有的黑色素瘤识别方法多依赖于深度学习方法,简单地依靠数据集训练得到的模型进行识别,难以克服光照变化的影响且计算速度较慢,识别精度还有待提高。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于CircularLBP和颜色空间转换算法的黑色素瘤识别方法,用于提高对黑色素瘤区域的识别精度。
本发明的目的可以通过以下技术方案来实现:
一种基于Circular LBP和颜色空间转换算法的黑色素瘤识别方法,包括以下步骤:
S1、将获取的皮肤RGB图像进行灰度处理得到灰度图像Y;
S2、利用Circular LBP算子提取出灰度图像Y中黑色素瘤的图像特征,得到亮度图像L;
S3、通过灰度图像Y和亮度图像L对皮肤RGB图像进行按亮度比例增强得到YL图像;
S4、将YL图像的RGB颜色空间图像映射至L*a*b*颜色空间;
S5、提取L*a*b*颜色空间的图像中a*b*通道的特征向量使用k-means++算法对图像进行分类,生成原图尺寸的二值化图像,完成黑色素瘤的识别分割。
进一步地,所述步骤S2具体包括:
S21、利用Circular LBP算子计算每个像素的LBP值;
S22、根据黑色素瘤区域反映在图像LBP值中的特征,对特征进行提取,黑色素瘤的特征为LBP值属于0族或1族;
S23、利用高斯滤波器进行平滑处理。
进一步地,所述步骤S21中,Circular LBP算子计算的表达式为:
其中,LBP(xc,yc)为中心像素的LBP值,p表示领域像素取点的数量,signal为函数符号,ip为邻域像素的灰度值,ic是中心像素的灰度值。
进一步地,所述步骤S22中,对特征进行提取具体步骤为:将LBP∈{0,2n}的像素点灰度值设为0,其他像素点灰度值设为1,得到初步亮度图像。
进一步地,还包括步骤S20:
对每个像素按照Circular LBP算子的要求在邻域像素上取采样点,确定所划定的圆周半径r及圆周上的取点数量P,由此确定某一像素点的邻域;
邻域中心点c的坐标设定为(xc,yc),即可得到圆周上采样点p的坐标(xp,yp),计算表达式为:
进一步地,若采用点p的坐标为非整数坐标,则通过双线性插值来计算该采样点的像素灰度值f(x,y),计算表达式为:
其中,的x和y分别表示该采样点在图像中的绝对横坐标和绝对纵坐标值,f(0,0)表示该采样点邻域左上角的像素灰度值,f(0,1)表示该采样点邻域右上角的像素灰度值,f(1,0)表示该采样点邻域左下角的像素灰度值,f(1,1)表示该采样点邻域右下角的像素灰度值。
进一步地,所述步骤S3具体包括:
根据灰度图像Y中每个像素的灰度值分别计算RGB图像三通道与灰度值YL的比例信息Rratio、Gratio、Bratio,计算表达式为:
根据计算出的三通道比例信息,结合亮度图像L的亮度值lightness对皮肤RGB图像进行增强,增强后的RGB三通道值分别为R'、G'、B',计算表达式为:
R'=Rratio*lightness
G'=Gratio*lightness
B'=Bratio*lightness。
进一步地,所述步骤S4中,使用改进的四面体插值技术将RGB颜色空间图像信息映射至L*a*b*颜色空间。
进一步地,改进的四面体插值技术具体步骤包括:
构建三维查找表,将0-255分为8等分,R、G、B的数值分别取0、31、63、95、127、159、191、223和225共9个不同的数值,组合为729组RGB数值,这729个采样点在RGB颜色空间和L*a*b*颜色空间中各构成3168个四面体,两组四面体互相对应;
在xyz三维空间中,由坐标为(x0,y0,z0)、(x1,y1,z1)、(x2,y2,z2)和(x3,y3,z3)的四个点组成四面体,坐标为(xs,ys,zs)的点s可组成如下方程:
当α≥0,β≥0,γ≥0且α+β+γ≤1时,点s在该四面体内,否则在四面体外;
采用距离定位的方法,取RGB颜色空间中由样本点组成的每一四面体4点数组中的第一个点作为四面体查找点,对具有RGB值的点s求取其与各四面体查找点的距离,将此距离由小到大排序,从最小距离四面体开始查找,由上述判定依据确定包含点s的四面体;
根据四面体对应点的数值关系完成色彩转换,获得L*a*b*颜色空间的三通道图像。
进一步地,所述步骤S1中,灰度处理的计算表达式为:
YL=0.299R+0.587G+0.114B
其中,YL为灰度值,R为红色通道的取值,G为绿色通道的取值,B为蓝色通道的取值。
与现有技术相比,本发明具有以下有益效果:
本发明运用Circular LBP算子对黑色素瘤图像进行特征提取,在一定程度上消除了原始皮肤RGB图像中由于拍摄光照变化造成了成像缺陷,而且降低了纹理特征的维度,而且能够适应不同尺度、不同纹理特征的需要,显著加快计算速度;同时本发明使用RGB颜色空间至L*a*b*颜色空间的变换,辅以k-means++聚类算法,使黑色素瘤区域识别更加精准。
附图说明
图1为本发明的流程示意图。
图2为本发明中提及的Circular LBP算子取点示意图。
图3为本发明中提及的LBP算子运算方式示意图。
图4为本发明中使用的滤波操作示意图。
图5为本发明中的颜色空间变换示意图。
图6为本发明的黑色素瘤识别结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,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。
如图1所示,本实施例提供了一种基于Circular LBP和颜色空间转换算法的黑色素瘤识别方法,包括以下步骤:
步骤S1、对皮肤镜采集的皮肤RGB图像进行灰度预处理,得到灰度图像Y。
步骤S2、利用Circular LBP算子计算像素的LBP值并根据黑色素瘤区域的图像属性提取出预处理后黑色素瘤的图像特征,得到亮度图像L。
步骤S3、将步骤S1中得到的灰度图像Y和步骤S2中的到的亮度图像L配合使用,对原RGB图像进行按亮度比例增强得到YL图像。
步骤S4、利用改进的四面体插值技术将增强后的RGB颜色空间图像映射至L*a*b*颜色空间,使YL图像映射至L*a*b*颜色空间。
步骤S5、忽略L*a*b*颜色空间中YL图像的L*通道信息,提取L*a*b*颜色空间的图像中a*b*通道的特征向量使用k-means++算法对图像进行分类,生成原图尺寸的二值化图像,完成黑色素瘤的识别分割。
在步骤S1中,求取皮肤镜采集到的患者皮肤的RGB图像所对应的灰度图像Y,具体是通过由国际电联无线电通信部门(ITU-R)公布的标准中所提供的计算RGB图像亮度,即计算灰度值的计算表达式:
YL=0.299R+0.587G+0.114B
遍历初始输入图像中每个像素,将每个像素的RGB三通道R、G、B参数值代入公式计算得到该像素的灰度值YL∈[0,1]。将每个RGB像素替换成对应灰度值的像素,得到整张原始图片的灰度图像Y。
在步骤S2中,本实施例采用了Circular LBP(Circular Local Binary Pattern,圆形局部二值模式)来重构图像局部纹理特征,其具有旋转不变性和灰度不变性等显著的优点,受环境光照影响较小。相较于传统的LBP算子,可以将传统的3*3领域可以拓展到任意邻域,并用圆形邻域替代了正方形邻域,满足不同尺寸和黑色素瘤纹理特征的需要。
Circular LBP算子提取黑色素瘤图像特征的过程具体包括:
步骤S20、对每个像素按照Circular LBP算子的要求在邻域像素上取采样点,确定所划定的圆周半径r及圆周上的取点数量P,由此确定某一像素点的邻域;
邻域中心点c的坐标设定为(xc,yc),即可得到圆周上采样点p的坐标(xp,yp),计算表达式为:
若采用点p的坐标(xp,yp)为非整数坐标,则通过双线性插值来计算该采样点的像素灰度值f(x,y),计算表达式为:
其中,的x和y分别表示该采样点在图像中的绝对横坐标和绝对纵坐标值,f(0,0)表示该采样点邻域左上角的像素灰度值,f(0,1)表示该采样点邻域右上角的像素灰度值,f(1,0)表示该采样点邻域左下角的像素灰度值,f(1,1)表示该采样点邻域右下角的像素灰度值。
步骤S21、利用Circular LBP算子计算每个像素的LBP值。
遍历灰度图像Y中的每个像素,对每个像素按照Circular LBP算子的要求在邻域像素上取点。如图2所示,设定圆的半径r=2,圆周上取样点个数P=16,按照邻域像素取样点灰度值的计算要求计算得邻域内所有取样点的灰度值ip。如图3所示,将取样点的灰度值ip与邻域中心像素的灰度值ic一同代入至Circular LBP值计算的公式进行运算,得到该邻域中心像素对应的LBP值,并将该值存入至内存中开拓的另一array中的对应位置,计算表达式为:
灰度图像Y中的像素被遍历之后,得到另一与灰度图像Y尺寸一致的array,该array中存储的为灰度图像Y中每一像素对应的LBP值。
步骤S22、根据黑色素瘤区域反映在图像LBP值中的特征,对特征进行提取,黑色素瘤的特征为LBP值属于0族或1族。
根据研究与实验发现,黑色素瘤区域图像反映在LBP值中的特征为LBP值绝大多数属于0族和1族,即在旋转不变性的条件下LBP值的二进制表示为0000000000000000或0000000000000001,也即LBP∈{0,2n}。根据该特征,在存储其十进制LBP值的array中寻找对应的像素点,若该点存储的LBP值属于0族或1族,则将该点的灰度值设为0,否则将该点的灰度值设为1,从而得到初步的亮度图像。
步骤S23、利用高斯滤波器进行平滑处理。
经黑色素瘤特征提取后的初步亮度图像中仍存在许多噪声,为保证后续颜色空间转换和聚类分析操作的准确率,需使用高斯滤波器滤除其中的噪声。
由于初步亮度图像被存储为二维数据,因此适用于二维高斯滤波器进行滤波操作,其高斯函数符合二维高斯分布。如图4所示,使用二维高斯滤波器进行滤波时,遍历初步亮度图像中的每个像素,生成3*3的二维高斯滤波器模板,以模板的中心像素为坐标原点进行取样,得到模板内各个像素的坐标。将模板内各个像素的相对坐标值带入到二维高斯函数中,计算表达式为:
其中,标准差σ=3时,在实施例中的滤波效果达到最佳,由此得到模板中各个像素的值,原初步亮度图像便经滤波平滑处理后成为亮度图像L。
步骤S3具体包括:
遍历原始的皮肤RGB图像,根据灰度图像Y中的灰度值YL计算在该RGB图像中每个像素的R、G、B三通道值分别对该像素的灰度值YL做出贡献的比例,计算表达式为:
亮度图像L中每个像素的亮度值lightness即每个像素经Circular LBP特征提取后的灰度值,使用该该亮度值对原RGB图像中的黑色素瘤特征进行增强,计算表达式为:
R'=Rratio*lightness
G'=Gratio*lightness
B'=Bratio*lightness
将新的R'、G'、B'三通道值替换原RGB图像中的R、G、B三通道值,得到黑色素瘤特征增强后的RGB图像YL。
在步骤S4中,使用改进的四面体插值技术将RGB颜色空间图像信息映射至L*a*b*颜色空间。L*a*b*颜色空间是根据Commission International Eclairage(CIE)于1976年改进的测定颜色国际标准建立的一种色彩模式,它是一种设备无关的颜色空间。L*a*b*颜色模型由三个要素组成,一个要素是亮度(L*),a*和b*是两个颜色通道。其中,a*包括的颜色是从深绿色到灰色再到亮粉红色;b*是从亮蓝色到灰色再到黄色。L*a*b*颜色空间弥补了RGB色彩模式的不足,使得灰色曲线和彩色曲线可以分开调整,当使用者调整灰色曲线时,彩色的部分不受影响。
首先构建三维查找表,将0-255分为8等分,YL图像中每个像素的R、G、B的数值分别取0、31、63、95、127、159、191、223和225共9个不同的数值,组合为729组RGB数值。如图5所示,这729个采样点在RGB颜色空间和L*a*b*颜色空间中各构成3168个四面体,两组四面体互相对应。
为完成YL图像从RGB颜色空间到L*a*b*颜色空间的映射,需要在颜色空间中的四面体中进行查找。使用下式在xyz三维空间中作为颜色空间内四面体是否包含某一点s的判定依据:
当α≥0,β≥0,γ≥0且α+β+γ≤1时,点xsyszs在该四面体内,否则在四面体外。
若某一RGB颜色空间中的点包含于L*a*b*颜色空间中的某一四面体,采用距离定位的方法,取RGB颜色空间中由样本点组成的每一四面体4点数组中的第一个点作为四面体查找点,对具有RGB值的点s求取其与各四面体查找点的距离,将此距离由小到大排序,从最小距离四面体开始查找。最后根据四面体对应点的数值关系完成色彩转换,获得L*a*b*颜色空间的三通道图像中每个像素对应的L*a*b*颜色空间值,生成能进行聚类分析的图像。
在步骤S5中,使用k-means++聚类算法实现对黑色素瘤区域与健康皮肤区域的二分类。由于该聚类分析算法的目标函数是聚类之间中心点之间欧氏距离最远,因此忽视L*a*b*颜色空间图像中包含黑色素瘤特征信息较少的L*通道,从a*b*双通道中提取特征向量输入到k-means++聚类算法中进行聚类分析。遍历完整个L*a*b*图像后,将类型为黑色素瘤区域的像素值设为0,将类型为健康皮肤区域的像素值设为1,得到对黑色素瘤分割识别的二值化图像。
该二值化图像应与原输入RGB图像的尺寸保持一致,否则进行尺寸变换调节至相同尺寸。如图6所示,从二值化图像中可直观看出白色区域属于黑色素瘤区域。
综上,本实施例将Circular LBP和RGB值L*a*b*颜色空间的转换算法进行结合,辅以k-means++聚类算法,用于提高黑色素瘤识别的精度,加快识别的速度,并削弱光照对皮肤镜成像情况的影响,实现静脉穿刺机器人精确控制、皮肤癌诊断、黑色素瘤切除手术等场合的特殊需求。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (9)
1.一种基于Circular LBP和颜色空间转换算法的黑色素瘤识别方法,其特征在于,包括以下步骤:
S1、将获取的皮肤RGB图像进行灰度处理得到灰度图像Y;
S2、利用Circular LBP算子提取出灰度图像Y中黑色素瘤的图像特征,得到亮度图像L;
S3、通过灰度图像Y和亮度图像L对皮肤RGB图像进行按亮度比例增强得到YL图像,具体包括:
根据灰度图像Y中每个像素的灰度值分别计算RGB图像三通道与灰度值YL的比例信息Rratio、Gratio、Bratio,计算表达式为:
根据计算出的三通道比例信息,结合亮度图像L的亮度值lightness对皮肤RGB图像进行增强,增强后的RGB三通道值分别为R'、G'、B',计算表达式为:
R'=Rratio*lightness
G'=Gratio*lightness
B'=Bratio*lightness;
S4、将YL图像的RGB颜色空间图像映射至L*a*b*颜色空间;
S5、提取L*a*b*颜色空间的图像中a*b*通道的特征向量使用k-means++算法对图像进行分类,生成原图尺寸的二值化图像,完成黑色素瘤的识别分割。
2.根据权利要求1所述的一种基于Circular LBP和颜色空间转换算法的黑色素瘤识别方法,其特征在于,所述步骤S2具体包括:
S21、利用Circular LBP算子计算每个像素的LBP值;
S22、根据黑色素瘤区域反映在图像LBP值中的特征,对特征进行提取,黑色素瘤的特征为LBP值属于0族或1族;
S23、利用高斯滤波器进行平滑处理。
4.根据权利要求2所述的一种基于Circular LBP和颜色空间转换算法的黑色素瘤识别方法,其特征在于,所述步骤S22中,对特征进行提取具体步骤为:将LBP∈{0,2n}的像素点灰度值设为0,其他像素点灰度值设为1,得到初步亮度图像。
7.根据权利要求1所述的一种基于Circular LBP和颜色空间转换算法的黑色素瘤识别方法,其特征在于,所述步骤S4中,使用改进的四面体插值技术将RGB颜色空间图像信息映射至L*a*b*颜色空间。
8.根据权利要求7所述的一种基于Circular LBP和颜色空间转换算法的黑色素瘤识别方法,其特征在于,改进的四面体插值技术具体步骤包括:
构建三维查找表,将0-255分为8等分,R、G、B的数值分别取0、31、63、95、127、159、191、223和225共9个不同的数值,组合为729组RGB数值,这729个采样点在RGB颜色空间和L*a*b*颜色空间中各构成3168个四面体,两组四面体互相对应;
在xyz三维空间中,由坐标为(x0,y0,z0)、(x1,y1,z1)、(x2,y2,z2)和(x3,y3,z3)的四个点组成四面体,坐标为(xs,ys,zs)的点s可组成如下方程:
当α≥0,β≥0,γ≥0且α+β+γ≤1时,点s在该四面体内,否则在四面体外;
采用距离定位的方法,取RGB颜色空间中由样本点组成的每一四面体4点数组中的第一个点作为四面体查找点,对具有RGB值的点s求取其与各四面体查找点的距离,将此距离由小到大排序,从最小距离四面体开始查找,由上述判定依据确定包含点s的四面体;
根据四面体对应点的数值关系完成色彩转换,获得L*a*b*颜色空间的三通道图像。
9.根据权利要求1所述的一种基于Circular LBP和颜色空间转换算法的黑色素瘤识别方法,其特征在于,所述步骤S1中,灰度处理的计算表达式为:
YL=0.299R+0.587G+0.114B
其中,YL为灰度值,R为红色通道的取值,G为绿色通道的取值,B为蓝色通道的取值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011299807.1A CN112365485B (zh) | 2020-11-19 | 2020-11-19 | 一种基于Circular LBP和颜色空间转换算法的黑色素瘤识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011299807.1A CN112365485B (zh) | 2020-11-19 | 2020-11-19 | 一种基于Circular LBP和颜色空间转换算法的黑色素瘤识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112365485A CN112365485A (zh) | 2021-02-12 |
CN112365485B true CN112365485B (zh) | 2022-08-16 |
Family
ID=74533119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011299807.1A Active CN112365485B (zh) | 2020-11-19 | 2020-11-19 | 一种基于Circular LBP和颜色空间转换算法的黑色素瘤识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365485B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114451870A (zh) * | 2022-04-12 | 2022-05-10 | 中南大学湘雅医院 | 色素痣恶变风险监测系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846812A (zh) * | 2018-05-30 | 2018-11-20 | 成都微光集电科技有限公司 | 一种基于灰度级压缩的clhae图像增强方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679151B (zh) * | 2013-12-19 | 2016-08-17 | 成都品果科技有限公司 | 一种融合LBP、Gabor特征的人脸聚类方法 |
CN104820831A (zh) * | 2015-05-13 | 2015-08-05 | 沈阳聚德视频技术有限公司 | 基于AdaBoost车牌定位的前车脸识别方法 |
CN107578383A (zh) * | 2017-08-29 | 2018-01-12 | 北京华易明新科技有限公司 | 一种低照度图像增强处理方法 |
CN108492305B (zh) * | 2018-03-19 | 2020-12-22 | 深圳牙领科技有限公司 | 一种嘴唇内侧轮廓线的分割方法、系统和介质 |
CN111311602A (zh) * | 2018-12-12 | 2020-06-19 | 深圳市前海安测信息技术有限公司 | 中医面诊的嘴唇图像分割装置及方法 |
CN109977865B (zh) * | 2019-03-26 | 2023-08-18 | 江南大学 | 一种基于人脸颜色空间和度量分析的欺诈检测方法 |
CN109993755B (zh) * | 2019-04-02 | 2021-01-08 | 浙江大学 | 一种提花织物图像组织结构分割方法 |
CN111860533B (zh) * | 2019-04-30 | 2023-12-12 | 深圳数字生命研究院 | 图像的识别方法及装置、存储介质和电子装置 |
CN110728302A (zh) * | 2019-09-10 | 2020-01-24 | 武汉纺织大学 | 一种基于HSV和Lab颜色空间的色纺织物组织识别的方法 |
CN111767943B (zh) * | 2020-05-20 | 2024-06-11 | 北京简巨科技有限公司 | 地膜识别方法、装置、电子设备及存储介质 |
-
2020
- 2020-11-19 CN CN202011299807.1A patent/CN112365485B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846812A (zh) * | 2018-05-30 | 2018-11-20 | 成都微光集电科技有限公司 | 一种基于灰度级压缩的clhae图像增强方法 |
Non-Patent Citations (1)
Title |
---|
叶继华等.基于LBPT方法的彩色人脸图像识别.《系统仿真学报》.2016, * |
Also Published As
Publication number | Publication date |
---|---|
CN112365485A (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108761B (zh) | 一种基于深度特征学习的快速交通信号灯检测方法 | |
CN103186904B (zh) | 图片轮廓提取方法及装置 | |
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
CN104182763B (zh) | 一种基于花朵特征的植物种类识别系统 | |
CN108319973A (zh) | 一种树上柑橘果实检测方法 | |
CN112906550B (zh) | 一种基于分水岭变换的静态手势识别方法 | |
CN104484658A (zh) | 一种基于多通道卷积神经网络的人脸性别识别方法及装置 | |
Almogdady et al. | A flower recognition system based on image processing and neural networks | |
Casanova et al. | Texture analysis using fractal descriptors estimated by the mutual interference of color channels | |
CN110969631B (zh) | 一种精细化照片染发方法及系统 | |
CN107169508A (zh) | 一种基于融合特征的旗袍图像情感语义识别方法 | |
CN113343976B (zh) | 基于颜色-边缘融合特征生长的抗高光干扰工程测量标志提取方法 | |
CN109034154A (zh) | 发票专用章税号的提取和识别方法 | |
CN113379764A (zh) | 一种基于域对抗自监督学习的病理图像分割方法 | |
CN111210447B (zh) | 一种苏木精-伊红染色病理图像层次分割的方法及终端 | |
CN112365485B (zh) | 一种基于Circular LBP和颜色空间转换算法的黑色素瘤识别方法 | |
CN109816629B (zh) | 一种基于k-means聚类的苔质分离方法和装置 | |
CN109934152B (zh) | 一种针对手语图像的改进小弯臂图像分割方法 | |
Hu et al. | Image segmentation method for crop nutrient deficiency based on fuzzy C-Means clustering algorithm | |
CN109753912B (zh) | 一种基于张量的多光谱掌纹匹配方法 | |
Liu et al. | Identification method of sunflower leaf disease based on sift point | |
CN108629780B (zh) | 基于颜色分解和阈值技术的舌图像分割方法 | |
CN113052194A (zh) | 一种基于深度学习的服装色彩认知系统及其认知方法 | |
CN115018820A (zh) | 基于纹理加强的乳腺癌多分类方法 | |
CN114283289A (zh) | 一种基于多模型融合的图像分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |