CN113688848B - 基于分数阶傅里叶变换的早期胃癌目标特征提取系统 - Google Patents
基于分数阶傅里叶变换的早期胃癌目标特征提取系统 Download PDFInfo
- Publication number
- CN113688848B CN113688848B CN202111005325.5A CN202111005325A CN113688848B CN 113688848 B CN113688848 B CN 113688848B CN 202111005325 A CN202111005325 A CN 202111005325A CN 113688848 B CN113688848 B CN 113688848B
- Authority
- CN
- China
- Prior art keywords
- image
- information
- phase
- fourier transform
- fractional fourier
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 27
- 201000011591 microinvasive gastric cancer Diseases 0.000 title claims abstract description 19
- 208000005718 Stomach Neoplasms Diseases 0.000 claims abstract description 52
- 206010017758 gastric cancer Diseases 0.000 claims abstract description 52
- 201000011549 stomach cancer Diseases 0.000 claims abstract description 52
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 13
- 201000011510 cancer Diseases 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 10
- 230000003321 amplification Effects 0.000 claims abstract description 9
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000003745 diagnosis Methods 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000006386 neutralization reaction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 3
- 238000002575 gastroscopy Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000003902 lesion Effects 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于分数阶傅里叶变换的早期胃癌目标特征提取系统,属于数字图像处理领域。首先对原始数据进行数据扩增预处理,并采用中值滤波进行降噪。在特征提取方面,采用分数阶傅里叶变换分别对两个数据集进行处理,针对相位和幅值反映图像信息能力的不同,提取相位信息熵表示癌症病灶区域的纹理复杂程度,通过对相位信息进行逆分数阶傅里叶变换后得到保留更深层次的相位特征信息的重构相位图像,再对其进行分数阶傅里叶变换后得到重构相位。然后将高频部分幅值放大,使得重构相位与重构幅值信息进行融合,最终经过逆分数阶傅里叶变换得到更多纹理细节和边缘信息的胃癌特征图像,为早期胃癌的诊断检测提供基础保障。
Description
技术领域
本发明属于数字图像处理领域,涉及基于分数阶傅里叶变换的早期胃癌目标特征提取系统。
背景技术
胃癌的病理学特征复杂难辨,早期癌的形态学、表面微结构、表面微血管与炎性及修复性极为相似,病灶较小,隐匿性较强,因此对于内窥镜下的早期胃癌的特征提取是进行诊断检测的重要步骤。普通的方法往往是直接通过神经网络进行卷积处理提取特征,但对于医学图像数据量较小时,特征的提取效果并不是很好,缺少对早期胃癌病灶区域本身的边缘纹理特征的表示方法。
针对该问题,迫切需要一种对早期胃癌目标的特征提取方系统,实现对早期胃癌病灶区域的边缘纹理特征更好的表示,为实现癌症诊断检测提供坚实的基础。同时,在保证医学图像的特征有效提取时,如何实现避免可能因图像噪声而造成损失图像原本特征信息的情况,更好的保留原始有效信息和突出早期胃癌的病灶边缘纹理特征均是必须考虑的问题。根据专利“CN202011123494.4,一种基于小样本学习的图像特征提取装置”中对小样本图像的处理方法,存在忽略图像中不同通道里包含的部分有用信息的问题,不能很好保留原始图像中相位和幅值所能表达的特征信息。
发明内容
有鉴于此,本发明的目的在于提供一种基于分数阶傅里叶变换的早期胃癌目标特征提取系统。由于内窥镜下的早期胃癌数据集稀缺,因此首先对原始数据集进行扩增形成扩增数据集,采用滤波算法对预处理过程中产生的噪声进行处理,以此来降低噪声对原始信息和特征信息提取的影响。通过分数阶傅里叶变换得到每个图像通道的相位信息和幅值信息,对两个数据集进行信息熵特征提取,用以表示边缘纹理特征。再对边缘信息表达较好的相位信息进行逆分数阶傅里叶变换后得到保留更深层次的相位特征信息的重构相位图像,对其再进行分数阶傅里叶变换后得到重构相位,将其与重构幅值信息进行融合,最终经过逆分数阶傅里叶变换得到胃癌特征图像。由此,将信息熵与胃癌特征图像用于后续诊断检测网络中进行癌症检测。
为达到上述目的,本发明提供如下技术方案:
基于分数阶傅里叶变换的早期胃癌目标特征提取系统,该系统包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现的方法包括以下步骤:
S1:对内窥镜下的胃部癌变图像进行提取,通过胃镜检查实时视频数据流方式对癌变区域进行不同角度的图像数据截取,从而构成初始图像数据集D1;
S2:对初始癌变图像数据集进行预处理,为关注癌症病变区域,将胃癌检查时的文字日期等信息进行数据信息丢弃处理;
S3:由于内窥镜下的胃癌医学图像的数据集缺乏,对内窥镜下的彩色胃癌图像进行亮度调节、对比度调节、色度调节和锐度调节对图像进行简单数据集扩增,形成扩增数据集D2:
亮度和对比度调节:l(i,j)=g·f(i,j)+θ,其中i和j表示像素位于第i行和第j列,f(x)为原始图像像素,l(x)为输出图像像素,g>0称为增益,通过g调整图像的对比度,θ为偏置参数,调整图像的亮度,设置参数g和θ为1.5;
色度调节为彩度除以明度,指色彩的鲜艳程度或色彩的纯度:c(i,j)=α·f(i,j),其中i和j表示像素位于第i行和第j列,通过α调整图像的色度,设置参数为α为1.5;
锐度调节是反映图像平面清晰度和图像边缘锐利程度的一个指标;如果将锐度增高,使得图像像素点之间值差异更大,图像平面上的细节对比度也更高,使得内窥镜下的胃癌病灶区域图像的边缘信息更明显:a(i,j)=β·f(i,j),其中,i和j表示像素位于第i行和第j列,通过β调整图像的锐度,设置参数β为3.0;
S4:采用中值滤波对S3得到的图像进行平滑处理,在降噪过程中也能更好的保留癌变区域的边缘信息:
其中,S为滤波像素范围内像素矩阵,x(i,j)为其元素,x(i,j)的最佳逼近值x(i,j);
S5:将S4后的胃癌图像数据集进行处理,将RGB二维彩色图像处理为R,G,B三个通道的灰度图像,分别提取每个通道所保留的特征信息:
Gr=0.114B+0.587G+0.299R
其中,Gr为待进行特征提取的图像矩阵,B,G,R分别表示图像中蓝色、绿色和红色通道的矩阵表示形式;
S6:胃癌病灶区域的边缘形态特征对后续的胃癌检测有着非常重要的作用,因此提取待处理的胃癌图像中的分数阶傅里叶变换FRFT后的幅频特性和相频特性,进而分析其所显示的边缘纹理特征信息;其p阶分数阶傅里叶变换的定义为:
其中,p为阶次,Kp(t,u)为核函数:
S7:对原始数据集和扩增数据集都分别在两个维度进行分数阶傅里叶变化,得到分数阶傅里叶域图像,把相位信息和幅值信息分离;定义二维分数阶傅里叶变换表达式为:
其中,p1,p2分别是在两个维度x,y上的变换阶次,由于分数阶p>0.7后,图像将太小而无法获取有效特征信息,因此设置分数阶p∈[0,0.7];
S8:分别对各阶次变换后的幅值信息和相位信息进行归一化,对于胃癌图像数据集,经过分数阶傅里叶变换后,其相位信息比幅值信息更能体现出胃癌病灶的边缘信息,提取图像的熵用于表示癌症病灶区域的纹理复杂程度,熵H与变换后的相位信息F的关系为:
其中,K为变换后的相位信息F中的灰度范围个数,p(k)为在第k个灰度范围内像素的概率密度;
S9:对原始数据集D1中和扩增数据集D2中图像对应的各个相位信息分别进行逆分数阶傅里叶变换IFRFT,得到各个相位重构图像P1,选择对应像素的最大灰度值作为融合后的相位图像,再对获得的相位图像进行分数阶傅里叶变换得到相位;在傅里叶域的相位是:相位重构的信息为:/>
S10:对重构的相位图像P1再次进行分数阶傅里叶变换得到P;
S11:对原始数据集D1中和扩增数据集D2中图像对应的幅值信息中则选择各个图像经过分数阶傅里叶变换后较大幅值进行幅值融合得到A;
S12:将融合后相位P和融合后幅值结合A得到分数阶傅里叶域融合结果,再进行逆分数阶傅里叶变换,得到最终输出的保留更明显胃癌病灶边缘纹理特征信息的胃癌图像数据集;
S13:将得到的胃癌特征图像及相位特征向量信息用于后续分类识别模型中进行胃癌诊断检测。
本发明的有益效果在于:
1、本发明在图像预处理方面,结合医学图像样本小的特性,对其进行扩增形成扩增数据集,在保留图像原始信息的同时,增强了部分特征表示。采用中值滤波算法对预处理过程中产生的噪声进行处理,以此来降低噪声对原始信息和特征信息提取的影响,更好的保留了图像的有效信息。
2、本发明通过分数阶傅里叶变换对彩色图像三通道分别进行处理,更好的保留每个通道所表达的数据信息。通过分数阶傅里叶变换进行早期胃癌图像的特征提取,更契合早期胃癌的病灶边缘纹理较明显的特点。通过图像的相位信息和幅值信息实现了无监督的特征提取,避免了传统检测过程中只依靠人眼主观感受而造成的不好影响。
3、本发明在核心的特征提取部分,采用两个数据集进行融合,分别对相位信息和幅值信息进行融合,得到信息熵的特征表示。同时考虑了相位和幅值反映图像信息能力不同的前提下,将高频部分幅值放大,通过对边缘信息表达较好的相位信息进行逆分数阶傅里叶变换后得到保留更深层次的相位特征信息的重构相位图像,对其再进行分数阶傅里叶变换后得到重构相位,将其与重构幅值信息进行融合,最终经过逆分数阶傅里叶变换得到胃癌特征图像,因此图像将获得更多纹理细节和边缘信息。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为分数阶傅里叶变换的早期胃癌目标特征提取流程图;
图2为分数阶傅里叶变换示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
本实施例一种基于分数阶傅里叶变换的早期胃癌目标特征提取系统,对医学图像进行预处理后,通过分数阶傅里叶变换后分别对相位信息和幅值信息进行融合,得到信息熵的特征表示。同时考虑了相位和幅值反映图像信息能力不同的前提下,将高频部分幅值放大,通过逆分数阶傅里叶变换对边缘信息表达较好的相位信息进行逆分数阶傅里叶变换后得到保留更深层次的相位特征信息的重构相位图像,对其再进行分数阶傅里叶变换后得到重构相位,将其与重构幅值信息进行融合,最终经过逆分数阶傅里叶变换得到胃癌特征图像,因此图像将获得更多纹理细节和边缘信息。
该系统包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现的方法包括以下步骤:
1)对内窥镜下的胃部癌变图像进行提取,通过胃镜检查实时视频数据流方式对癌变区域进行不同角度的图像数据截取,从而构成初始图像数据集D1;
2)对初始癌变图像数据集进行预处理,为了更好的关注癌症病变区域,将胃癌检查时的文字日期等信息进行数据信息丢弃处理;
3)由于内窥镜下的胃癌医学图像的数据集缺乏,对内窥镜下的彩色胃癌图像进行亮度调节、对比度调节、色度调节和锐度调节对图像进行简单数据集扩增,形成扩增数据集D2:
亮度和对比度调节:l(i,j)=g·f(i,j)+θ,其中i和j表示像素位于第i行和第j列,f(x)为原始图像像素,l(x)为输出图像像素,g>0称为增益,通过g可以调整图像的对比度,θ为偏置参数,调整图像的亮度,设置参数g和θ为1.5;
色度调节为彩度除以明度,指色彩的鲜艳程度,也称色彩的纯度:c(i,j)=α·f(i,j),其中i和j表示像素位于第i行和第j列,通过α可以调整图像的色度,设置参数为α为1.5;
锐度调节是反映图像平面清晰度和图像边缘锐利程度的一个指标。如果将锐度增高,可以使得图像像素点之间值差异更大,图像平面上的细节对比度也更高,使得内窥镜下的胃癌病灶区域图像的边缘信息更明显:a(i,j)=β·f(i,j),其中,i和j表示像素位于第i行和第j列,通过β可以调整图像的锐度,设置参数β为3.0;
4)采用中值滤波对步骤3)得到的图像进行平滑处理,在降噪过程中也能更好的保留癌变区域的边缘信息:
其中,S为滤波像素范围内像素矩阵,x(i,j)为其元素,x(i,j)的最佳逼近值x(i,j);
5)将步骤4)后的胃癌图像数据集进行处理,将RGB二维彩色图像处理为R,G,B三个通道的灰度图像,分别提取每个通道所保留的特征信息:
Gr=0.114B+0.587G+0.299R
其中,Gr为待进行特征提取的图像矩阵,B,G,R分别表示图像中蓝色、绿色和红色通道的矩阵表示形式;
6)胃癌病灶区域的边缘形态特征对后续的胃癌检测有着非常重要的作用,因此提取待处理的胃癌图像中的分数阶傅里叶变换(FRFT)后的幅频特性和相频特性,进而分析其所显示的边缘纹理特征信息。其p阶分数阶傅里叶变换的定义为:
其中,p为阶次,Kp(t,u)为核函数:
7)对原始数据集和扩增数据集都分别在两个维度进行分数阶傅里叶变化,得到分数阶傅里叶域图像,把相位信息和幅值信息分离。定义二维分数阶傅里叶变换表达式为:
其中,p1,p2分别是在两个维度x,y上的变换阶次,由于分数阶p>0.7后,图像将太小而无法获取有效特征信息,因此设置分数阶p∈[0,0.7];
8)分别对各阶次变换后的幅值信息和相位信息进行归一化,对于胃癌图像数据集,经过分数阶傅里叶变换后,其相位信息比幅值信息更能体现出胃癌病灶的边缘信息,提取图像的熵用于表示癌症病灶区域的纹理复杂程度,熵H与变换后的相位信息F的关系为:
其中,K为变换后的相位信息F中的灰度范围个数,p(k)为在第k个灰度范围内像素的概率密度;
9)对原始数据集D1中和扩增数据集D2中图像对应的各个相位信息分别进行逆分数阶傅里叶变换(IFRFT),得到各个相位重构图像P1,选择对应像素的最大灰度值作为融合后的相位图像,再对获得的相位图像进行分数阶傅里叶变换得到相位。在傅里叶域的相位是:相位重构的信息为:/>
10)对重构的相位图像P1再次进行分数阶傅里叶变换得到P;
11)对原始数据集D1中和扩增数据集D2中图像对应的幅值信息中则选择各个图像经过分数阶傅里叶变换后较大幅值进行幅值融合得到A;
12)将融合后相位P和融合后幅值结合A得到分数阶傅里叶域融合结果,再进行逆分数阶傅里叶变换,得到最终输出的保留更明显胃癌病灶边缘纹理特征信息的胃癌图像数据集;
13)将得到的胃癌特征图像及相位特征向量信息用于后续分类识别模型中进行胃癌诊断检测;
如图1和图2所示,采用分数阶傅里叶变换对早期胃癌图像进行特征提取,利用相位和幅值反映图像信息能力的不同,分别进行信息深层次的提取,最终得到更多纹理细节和边缘信息的胃癌特征图像。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.基于分数阶傅里叶变换的早期胃癌目标特征提取系统,其特征在于:该系统包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现的方法包括以下步骤:
S1:对内窥镜下的胃部癌变图像进行提取,通过胃镜检查实时视频数据流方式对癌变区域进行不同角度的图像数据截取,从而构成初始图像数据集D1;
S2:对初始癌变图像数据集进行预处理,为关注癌症病变区域,将胃癌检查时的文字日期等信息进行数据信息丢弃处理;
S3:由于内窥镜下的胃癌医学图像的数据集缺乏,对内窥镜下的彩色胃癌图像进行亮度调节、对比度调节、色度调节和锐度调节对图像进行简单数据集扩增,形成扩增数据集D2:
亮度和对比度调节:l(i,j)=g·f(i,j)+θ,其中i和j表示像素位于第i行和第j列,f(x)为原始图像像素,l(x)为输出图像像素,g>0称为增益,通过g调整图像的对比度,θ为偏置参数,调整图像的亮度,设置参数g和θ为1.5;
色度调节为彩度除以明度,指色彩的鲜艳程度或色彩的纯度:c(i,j)=α·f(i,j),其中i和j表示像素位于第i行和第j列,通过α调整图像的色度,设置参数为α为1.5;
锐度调节是反映图像平面清晰度和图像边缘锐利程度的一个指标;如果将锐度增高,使得图像像素点之间值差异更大,图像平面上的细节对比度也更高,使得内窥镜下的胃癌病灶区域图像的边缘信息更明显:a(i,j)=β·f(i,j),其中,i和j表示像素位于第i行和第j列,通过β调整图像的锐度,设置参数β为3.0;
S4:采用中值滤波对S3得到的图像进行平滑处理,在降噪过程中也能更好的保留癌变区域的边缘信息:
其中,S为滤波像素范围内像素矩阵,x(i,j)为其元素,x(i,j)的最佳逼近值
S5:将S4后的胃癌图像数据集进行处理,将RGB二维彩色图像处理为R,G,B三个通道的灰度图像,分别提取每个通道所保留的特征信息:
Gr=0.114B+0.587G+0.299R
其中,Gr为待进行特征提取的图像矩阵,B,G,R分别表示图像中蓝色、绿色和红色通道的矩阵表示形式;
S6:胃癌病灶区域的边缘形态特征对后续的胃癌检测有着非常重要的作用,因此提取待处理的胃癌图像中的分数阶傅里叶变换FRFT后的幅频特性和相频特性,进而分析其所显示的边缘纹理特征信息;其p阶分数阶傅里叶变换的定义为:
其中,p为阶次,Kp(t,u)为核函数:
S7:对原始数据集和扩增数据集都分别在两个维度进行分数阶傅里叶变化,得到分数阶傅里叶域图像,把相位信息和幅值信息分离;定义二维分数阶傅里叶变换表达式为:
其中,p1,p2分别是在两个维度x,y上的变换阶次,由于分数阶p>0.7后,图像将太小而无法获取有效特征信息,因此设置分数阶p∈[0,0.7];
S8:分别对各阶次变换后的幅值信息和相位信息进行归一化,对于胃癌图像数据集,经过分数阶傅里叶变换后,其相位信息比幅值信息更能体现出胃癌病灶的边缘信息,提取图像的熵用于表示癌症病灶区域的纹理复杂程度,熵H与变换后的相位信息F的关系为:
其中,K为变换后的相位信息F中的灰度范围个数,p(k)为在第k个灰度范围内像素的概率密度;
S9:对原始数据集D1中和扩增数据集D2中图像对应的各个相位信息分别进行逆分数阶傅里叶变换IFRFT,得到各个相位重构图像P1,选择对应像素的最大灰度值作为融合后的相位图像,再对获得的相位图像进行分数阶傅里叶变换得到相位;在傅里叶域的相位是:相位重构的信息为:/>
S10:对重构的相位图像P1再次进行分数阶傅里叶变换得到P;
S11:对原始数据集D1中和扩增数据集D2中图像对应的幅值信息中则选择各个图像经过分数阶傅里叶变换后较大幅值进行幅值融合得到A;
S12:将融合后相位P和融合后幅值结合A得到分数阶傅里叶域融合结果,再进行逆分数阶傅里叶变换,得到最终输出的保留更明显胃癌病灶边缘纹理特征信息的胃癌图像数据集;
S13:将得到的胃癌特征图像及相位特征向量信息用于后续分类识别模型中进行胃癌诊断检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111005325.5A CN113688848B (zh) | 2021-08-30 | 2021-08-30 | 基于分数阶傅里叶变换的早期胃癌目标特征提取系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111005325.5A CN113688848B (zh) | 2021-08-30 | 2021-08-30 | 基于分数阶傅里叶变换的早期胃癌目标特征提取系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113688848A CN113688848A (zh) | 2021-11-23 |
CN113688848B true CN113688848B (zh) | 2023-09-05 |
Family
ID=78584024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111005325.5A Active CN113688848B (zh) | 2021-08-30 | 2021-08-30 | 基于分数阶傅里叶变换的早期胃癌目标特征提取系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113688848B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915435A (zh) * | 2012-10-23 | 2013-02-06 | 哈尔滨工程大学 | 一种基于人脸能量图的多姿态人脸识别方法 |
CN106823150A (zh) * | 2016-07-18 | 2017-06-13 | 山东省肿瘤防治研究院 | 一种方便胸部肿瘤放疗用组合式定位架装置 |
CN111984943A (zh) * | 2020-07-29 | 2020-11-24 | 南京信息工程大学 | 一种基于人工蜂群算法的dwt-svd数字水印方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10775482B2 (en) * | 2018-04-11 | 2020-09-15 | Infineon Technologies Ag | Human detection and identification in a setting using millimeter-wave radar |
-
2021
- 2021-08-30 CN CN202111005325.5A patent/CN113688848B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915435A (zh) * | 2012-10-23 | 2013-02-06 | 哈尔滨工程大学 | 一种基于人脸能量图的多姿态人脸识别方法 |
CN106823150A (zh) * | 2016-07-18 | 2017-06-13 | 山东省肿瘤防治研究院 | 一种方便胸部肿瘤放疗用组合式定位架装置 |
CN111984943A (zh) * | 2020-07-29 | 2020-11-24 | 南京信息工程大学 | 一种基于人工蜂群算法的dwt-svd数字水印方法 |
Non-Patent Citations (1)
Title |
---|
基于图像特征融合的早期胃癌智能检测算法研究;李心怡;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113688848A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Color retinal image enhancement based on luminosity and contrast adjustment | |
CN106530279B (zh) | 一种图像处理方法及系统 | |
CN115049666B (zh) | 基于彩色小波协方差深度图模型的内镜虚拟活检装置 | |
Maghsoudi et al. | A computer aided method to detect bleeding, tumor, and disease regions in Wireless Capsule Endoscopy | |
CN115775210A (zh) | 一种广域眼底相机图像融合方法、系统及存储介质 | |
CN108921205A (zh) | 一种基于多特征融合的皮肤病临床图像分类方法 | |
CN111340773A (zh) | 一种视网膜图像血管分割方法 | |
Cai et al. | Perception preserving decolorization | |
CN117575953B (zh) | 一种高分辨率林业遥感图像细节增强方法 | |
Huang et al. | Deep unsupervised endoscopic image enhancement based on multi-image fusion | |
CN113688848B (zh) | 基于分数阶傅里叶变换的早期胃癌目标特征提取系统 | |
Kalhor et al. | Assessment of histogram-based medical image contrast enhancement techniques; an implementation | |
CN117575924A (zh) | 一种统一模型的可见光与近红外荧光图像融合方法 | |
Zeng et al. | Color perception algorithm of medical images using density peak based hierarchical clustering | |
Vani et al. | Color image enhancement techniques in Wireless Capsule Endoscopy | |
CN109377461A (zh) | 一种基于nsct的乳腺x射线图像自适应增强方法 | |
Abood | Edges enhancement of medical color images using add images | |
CN115222651A (zh) | 一种基于改进Mask R-CNN的肺结节检测系统 | |
CN113808057A (zh) | 基于无监督学习的内窥镜图像增强方法 | |
CN113610717A (zh) | 一种用于皮肤病紫外荧光图像的增强方法 | |
CN113012184A (zh) | 基于Radon变换与多类型图像联合分析的微血管瘤检测方法 | |
Huang et al. | Deep polyp image enhancement using region of interest with paired supervision | |
Mirsharif et al. | Investigating image enhancement methods for better classification of retinal blood vessels into arteries and veins | |
CN117422939B (zh) | 一种基于超声特征提取的乳腺肿瘤分类方法及系统 | |
CN117218036A (zh) | 一种内窥镜图像的血管增强方法 |
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 |