[发明专利]一种基于SVM的胶囊内窥镜图像分类方法

说明书

技术领域

本发明涉及的是一种医学图像处理方法，尤其涉及的是一种基于SVM的胶囊内窥 镜图像分类方法。

背景技术

目前市面上已经出现的胶囊内镜产品每秒视频约在2～30帧之间，最大时长在8小 时左右。取平均值16帧/秒进行计算总共产生16×60×60×8＝460,800张图像，在近50万张 的照片中寻找有异常的图片不仅费时费力，而且在视觉疲劳时极易错过有异常征兆的图 像；另外，随着胶囊内镜技术的不断发展，影像视频帧率、胶囊供能时间等方面也将不断提 高，届时给医生带来的检测负担将更为严重，诊断效率也更低。因此，为提高图片检索速度， 降低诊断过程中产生的误检率和减轻医生的劳动强度，研制胶囊内镜图像自动识别与分析 系统有着重要的实用价值。

随着医学图像处理和模式识别技术的发展，通过计算机来辅助对图像分类、自动 化识别异常图片成为必然趋势。而图像分类结果的好坏与特征信息的选择和分类器设计的 优良都有很大的关系。目前医学方面常用的图像特征有颜色特征、纹理特征、形状特征、空 间关系特征，特征提取方法主要有：(1)基于RGB空间用全局颜色直方图来提取特征；(2)基 于局部图像区域的方法；(3)基于像素特征的方法。影像数据的正异常分类主要通过：(1)通 过搜索引擎；(2)通过和均值化直方图进行曲线比较；(3)基于小波变换、SVM(支持向量机) 等智能分类器进行分类。依据有关研究，将SVM用于医学图像的分类，对改善医学图像分类 的性能具有很好的实用价值。

发明内容

本发明的目的在于提供一种基于SVM的胶囊内窥镜图像分类方法，该方法用于胶 囊内窥镜图像的处理过程中，通过提取异常病变图像的纹理特征和光谱特征，构建基于高 斯径向基RBF的SVM分类预测模型，从待检测图像中检索出的异常病变图像，实现从海量胶 囊内窥镜图像中快速发现病变图像，从而减轻医生的劳动强度、提高诊断效率。

本发明是通过以下技术方案实现的：

本发明提供了一种基于SVM的胶囊内窥镜图像分类方法，包括以下步骤：

步骤S1：建立胶囊内窥镜异常病变图像库：所述异常病变图像库包括标准病例图 像；

步骤S2：提取异常病变图像库中图像的纹理特征K_t和光谱特征K_s；

步骤S3：基于步骤S2获得的异常病变图像的纹理特征K_t和光谱特征K_s，引入RBF核函数K(x,x′)＝exp(-P||x-x′||²)，式中，x为纹理特征向量或光谱特征向量，x′为核函数中心，σ为核宽度，构建基于高斯径向基RBF的纹理核K_t与光谱核K_s的组合核函数K为：

K＝βK_t+(1-β)K_s

式中：β为组合核函数K的权值系数；

步骤S4：由已知包含异常病变特征图像和正常无病变图像组成训练样本集，使用 步骤S3的组合核函数K作为SVM学习模型的核函数，构建基于RBF核函数的SVM学习模型进行 训练：

式中：x_i为模型的输入向量，即为纹理特征向量或光谱特征向量；X为输入向量通 过组合核函数计算映射得到的高维空间属性；l是训练样本数，α_i为辅助变量拉格朗日算 子，0＜α_i＜C，C是对错分样本的惩罚系数；b为分类阀值；y_i为分类标记，其中，y_i＝0或1，即0 表示正常无病变的图像，1表示异常病变特征的图像；

步骤S5：通过交叉验证的方法对SVM学习模型中的惩罚系数C和RBF核宽度σ进行优 化选择，取最优惩罚系数值为最优拉格朗日算子α*，即最优权值α*，获得如下所示的SVM分 类预测模型f(X)：

式中，

步骤S6：使用步骤S5的分类预测模型对待检测的胶囊内窥镜图像进行分类，当f (X)＞0时，表示待检测图像为有异常病变特征的图像，标记为1；当f(X)＜0时，表示待检测 图像为正常无病变的图像，标记为0，从而将有异常病变特征的图像和正常无病变的图像区 分开；

步骤S7：将步骤S6中标记为1的图像作为学习样本，加入步骤S1的异常病变图像库 中，通过不断学习和训练分类预测模型f(X)，逐步提高分类精度。