基于图像去噪的胃部病灶检测及分类算法研究.docVIP

基于图像去噪的胃部病灶检测及分类算法研究 　　摘要：由于胃部病灶种类较多，利用计算机辅助诊断提取特征的方法，大多针对正常与否分类，而对于多种胃部疾病分类问题的精确度较低。文中采用先分割病灶区域再分类的方法，首先对图像进行预处理，再对内窥镜图像分割出病灶区域，通过基于提取纹理与颜色特征相结合的方法进行特征优化，选取神经网络对图像进行分类，提高分类准确度。 　　关键词：内窥镜图像 胃部病灶 图像去噪 特征优化 　　中图分类号：TP311.52 文献标识码：A 文章编号：1007-9416（2016）10-0132-02 　　Abstract：Gastric cancer is one of the most common malignant tumor in the world scope. Due to gastric lesions sort is more， but the research methods of extracting characteristics of gastric cancer， mostly for classification of normal or not， and for the accuracy of the various stomach disease classification problem is low. In this paper， we adopt the method of segmentation lesion area first， then classification， first of all， the image preprocessing， and then the focal zone of endoscope image segmentation， based on LBP extraction method combined with color features， texture features optimization， selection of neural network to classify the image， improve the classification accuracy. 　　Key Words：Endoscopic images； Gastric lesions； Image denoising； Characteristics of the optimization 　　1 引言 　　文中采用计算机辅助诊断方法，通过对胃镜图像的数学分析，是目前早期胃癌诊断研究的一个方向[1]。计算机辅助诊断主要是用于图像识别方面，即首先提取胃部内窥镜图像的相关特征，如颜色、纹理、形状等，然后根据特征进行分类，最终标记出相应的病灶区域，辅助医生诊断治疗。目前采用计算机算法进行识别中现有的特征描述方法如颜色特征描述较少，纹理描述方法复杂，计算量大，一般研究方法所选取的特征提取方法较为单一，导致分类效果粗糙，准确率较低。为了提高效率，如何对胃部病灶进行自动化检测及快速准确的分类疾病类型是一项有意义且艰难的工作[2][3]。 　　2 检测及分类方法 　　2.1 图像预处理实现图像分割 　　图像预处理的主要目的是消除图像中无关信息，恢复有用信息，增强有关信息的可检测性和最大限度地简化数据。由于图像光源照射不均匀，很容易影响图像区域亮度不同。首先需对图像进行去噪，并对图像使用增??方法，改善图像的视觉效果。通过转换图像颜色空间为Lab空间，通过明亮度L，设置阈值分割图像，预处理过的胃溃疡图片如图1所示。 　　图像经过去噪处理就可以对病灶图像进行分割了。由于胃镜图像的颜色特征较为明显，通过聚类方法可以基于色彩空间对彩色图像分割，然后对每个分割出来的区域进行特征的提取。常用的彩色图像分割聚类方法有，K均值、模糊C均值和分层聚类方法[4]。运用K均值聚类图像分割技术，提取出病灶区域。K均值聚类算法原理简单，实现灵活、算法效率高。病灶分割后的胃溃疡图片如图2所示。 　　2.2 运用多种算法提取特征，选择最优算法 　　图像常用的特征有：颜色特征、纹理特征。颜色特征常用的有，选用颜色直方图，颜色旋转不变性。颜色直方图特征描述的是不同色彩在整幅图像中所占的比例。图像纹理描述图像或其中小块区域的空间颜色分布和光强分布。纹理特征常用的有局部二值模式LBP，灰度共生矩阵，小波变换提取特征等。LBP是一种局部纹理特征的算子；它具有旋转不变性和灰度不变性等优点；灰度共生矩阵以像素对的方向和距离为变化量来建立共生矩阵，再从此矩阵中提取可以表征图像内容的统计量作为纹理特征；小波变换的纹理特征方法可消除冗余信息，但检索速度较慢[5]。 　　2.3 T