[发明专利]基于边缘邻域加权的乳腺肿块图像特征提取方法

说明书

技术领域

本发明属于图像处理领域。更进一步涉及在临床医疗诊断领域中一种基于边缘邻域加权的乳腺肿块图像特征提取方法。本发明是根据乳腺肿块图像边缘邻域包含的特征信息更为丰富，增加其中的区域特征权重，从而提高乳腺肿块图像的良恶性分类准确率。可适用于临床医疗诊断图像分类，提高分类准确率，辅助放射科医生进行诊断。

背景技术

目前，在临床医疗诊断中运用的图像特征包括颜色、纹理、形状等全局特征和尺度不变特征（Scale-invariant Feature Transform，SIFT）、方向梯度直方图特征（Histogram of Oriented Gradient，HOG）等局部特征。相比于全局特征，局部特征能表示图像的局部信息，具有更好的鲁棒性，而SIFT特征又因其对旋转、尺度缩放、亮度变化等都能保持局部不变性，在特征表示上优于其它特征表示方法，被广泛运用到图像的特征提取当中。典型的词袋模型（Bag of Words，BoW）基于SIFT特征，将图像分块，并将图像块视为视觉单词，充分利用了SIFT特征的特性，是一种性能很好的特征表示方法。

哈尔滨工程大学提出的专利申请“一种图像特征提取和描述方法”（申请号：201210114061.1，公开号：CN102663401A）公开了一种适用于BoW模型的图像特征提取与描述方法。该方法先判断图像是否为彩色图像，如果是彩色图像，则转换为HSV模型，设置尺度参数，并在H、S、V三个通道提取SIFT特征，如果是灰度图像，则直接提取SIFT特征，然后对提取的特征聚类，获取字典，最后得到字典的统计直方图表示，作为图像特征表示。该方法存在的不足是：方法较为复杂，对灰度图像效果提高不明显，没有包含图像的空间信息，造成对乳腺肿块图像分类的准确率不高。

Erkang Cheng和Nianhua Xie在文章“Mammographic image classification using histogram intersection”（Biomedical Imaging:From Nano to Macro,2010IEEE International Symposium,pp.197-200）中，运用BoW作为乳腺图像的特征表示，与典型BoW运用SIFT特征不同，该方法运用的是区域块的纹理特征，然后对纹理特征作直方图统计，以此为图像的特征表示。该方法存在的不足是：没有获取图像的局部特征，对旋转、尺度缩放、亮度变化较为敏感，造成对乳腺肿块图像分类的准确率不高。

西安电子科技大学的学位论文“基于BoW模型与稀疏表示的乳腺肿块”（硕士学位论文，刘泽奇，西安电子科技大学，2012年），将BoW特征直接运用到乳腺肿块的特征提取中。该方法直接获取图像的SIFT特征点，然后对特征点进行聚类，获取字典，以视觉词汇在字典中的直方图表示作为图像特征。该方法存在的不足是：没有突出肿块边缘的重要性，不包含图像的空间信息，分类准确率不高。

钱姗姗和黄静的文章“基于KL距离加权和局部邻域信息的CV模型”（电子学报,2011,(06):1447-1452）中利用Kullback-Leibler（KL）距离作为内外部局部区域能量的权值系数，计算曲线附近点的局部邻域能量之和作为模型的内部能量，从而提高对边缘的检测性能。该方法的不足是：对局部邻域定义不明确，算法较为复杂，不能完全运用在乳腺图像的特征提取当中。

发明内容

本发明的目的在于克服上述现有技术的不足，提出一种基于边缘邻域加权的乳腺肿块图像特征提取方法，以使图像特征表示更为鲁棒，提高乳腺肿块图像的分类准确率。

实现本发明的技术思路是，通过自适应不同大小的图像，提取乳腺肿块边缘邻域，获取乳腺肿块图像的边缘邻域BoW特征，调节加权权值，增加边缘邻域BoW特征在乳腺肿块图像BoW特征中的权重，使得乳腺肿块图像特征包含肿块边缘的空间信息，达到更为精确地提取乳腺肿块图像的边缘邻域，更为合理地加权邻域特征，更为鲁棒地表示图像，提高乳腺肿块图像分类准确率的目的。

为实现上述目的，本发明包括如下主要步骤：

（1）输入图像：输入乳腺钼靶X线摄影图像分割得到的乳腺肿块图像。

（2）调整输入乳腺肿块图像大小：

采用最近邻插值算法调整输入图像大小，将图像宽度大于1000像素点的乳腺肿块图像调整至1000像素点。

（3）提取肿块边缘：