[发明专利]基于多核学习的多特征融合胃镜图像处理方法

摘要

本发明提供一种基于多核学习的多特征融合胃镜图像处理方法，上述方法综合胃镜图像的颜色特征、纹理特征和关键点特征建立图像分类核函数，能够更加准确、全面地描述胃镜图像特征。上述方法将混合核支持向量机算法运用于胃镜图像处理，将三种异构特征合理融合，提高胃镜图像处理的泛化能力和鲁棒性能。上述方法提取胃镜图像颜色特征时根据胃镜图像颜色分布特征将H、S、V分量进行非等间隔的量化，使提取特征能更准确地描述胃镜图像。本发明实施例的方法能够精确的对复杂图像进行分类，有利于提高了医务工作人员的诊疗效率。

主权项

1.一种基于多核学习的多特征融合胃镜图像处理方法，其特征在于，所述方法包括如下步骤：获取胃镜图像；将所述胃镜图像中每个像素点的色调H、饱和度S和明度V进行量化，根据每个像素点量化后的H值、S值和V值确定每个像素点的颜色矢量，并根据每个像素点的颜色矢量建立颜色直方图，所述颜色直方图的横坐标为颜色矢量，纵坐标为每个颜色矢量对应的像素点的个数；获取所述胃镜图像的每个像素点，得到多个中心像素点，以每个所述中心像素点为圆心，在预定半径的圆周上对称获取N个像素点，得到N个纹理算子像素点；计算每个所述纹理算子像素点的灰度值与对应的所述中心像素点的灰度值的差值，得到每个纹理算子像素点的中心灰度差值；根据所有纹理算子像素点的中心灰度差值确定对应的所述中心像素点的纹理描述算子，并根据所有中心像素点的纹理描述算子建立纹理特征直方图；所述纹理特征直方图的横坐标为纹理描述算子，纵坐标为每个纹理描述算子对应的像素点的个数；将所述胃镜图像分割为多个预定大小的子图像，确定每个所述子图像的尺度不变特征算子，利用所述尺度不变特征算子进行聚类运算，得到预定数量的特征词汇，并将每个所述尺度不变特征算子分别映射到一个所述特征词汇上，根据所述特征词汇对应的尺度不变特征算子，建立尺度不变特征直方图，所述尺度不变特征直方图的横坐标为特征词汇，纵坐标为每个所述特征词汇对应的尺度不变特征算子的数量；利用多项式核函数、高斯径向基核函数和直方图相交核核函数建立图像分类核函数；其中，所述图像分类核函数的参数包括多项式核函数的阶数、高斯径向基核宽度、多项式核函数的权重系数、高斯径向基核函数的权重系数、直方图相交核核函数的权重系数以及惩罚系数；根据预定步长、所述多项式核函数的阶数的取值范围、高斯径向基核宽度的取值范围、多项式核函数的权重系数的取值范围、高斯径向基核函数的权重系数的取值范围、直方图相交核核函数的权重系数的取值范围以及惩罚系数的取值范围，确定多个参数取值组，每个所述参数取值组包括多项式核函数的阶数的取值、高斯径向基核宽度的取值、多项式核函数的权重系数的取值、高斯径向基核函数的权重系数的取值、直方图相交核核函数的权重系数的取值以及惩罚系数的取值；将所述图像分类核函数的参数取任意一个所述参数取值组，将归一化处理后的颜色直方图、纹理特征直方图和尺度不变特征直方图作为所述图像分类核函数的训练数据，将分类标签作为所述图像分类核函数的分类标准，对测试样本进行分类；其中，所述分类标签包括特征参数以及特征参数对应的类别；选取对所述测试样本分类结果最好的所述参数取值组作为所述图像分类核函数的参数的取值，得到图像分类核函数模型。