基于關(guān)鍵點檢測的nbi胃鏡圖像處理方法
【專利摘要】基于關(guān)鍵點檢測的NBI胃鏡圖像處理方法對經(jīng)過預(yù)處理后的胃鏡圖像使用SIFT算法提取關(guān)鍵點，然后提取部分NBI胃鏡圖像作為訓(xùn)練集，將訓(xùn)練集中所有關(guān)鍵點組成特征袋，并使用聚類算法生成視覺詞典。根據(jù)實際詞典對單幅NBI胃鏡圖像進(jìn)行關(guān)鍵點歸類統(tǒng)計作為全局特征。最后采用訓(xùn)練過的分類器對單幅NBI胃鏡圖像的全局特征進(jìn)行識別。從而完成NBI胃鏡圖像的識別過程，由于SFIT算法對具有復(fù)雜成像環(huán)境、胃液及食物殘渣干擾的NBI胃鏡圖像有良好的魯棒性，從而使得NBI胃鏡圖像的識別準(zhǔn)確率增高，且降低了計算復(fù)雜度。
【專利說明】基于關(guān)鍵點檢測的NBI胃鏡圖像處理方法
[0001]技術(shù)鄰域
[0002]本發(fā)明涉及圖像識別，特別是涉及一種基于關(guān)鍵點檢測的NBI胃鏡圖像處理方法。

【背景技術(shù)】
[0003]胃鏡圖像的計算機(jī)識別技術(shù)已發(fā)展多年。如為減少復(fù)雜環(huán)境的影響，將圖像平均分成多塊，然后提取局部顏色特征進(jìn)行分類識別。目前在眾多的研宄中，灰度紋理特征得到廣泛應(yīng)用，例如局部二值模式(LBP，Local Binary Patterns)，紋理頻譜以及小波域共生矩陣(WDCMF，Wavelet Domain Co-occurrence Matrix Features，這些方法各自發(fā)揮著自己的優(yōu)勢。針對胃鏡圖像的計算機(jī)識別系統(tǒng)大多是基于胃鏡圖像的成像分析，一般胃鏡圖像對比度較低，分析難度提高，導(dǎo)致胃鏡圖像的識別過程慢且準(zhǔn)確率低。


【發(fā)明內(nèi)容】

[0004]基于此，有必要針對提供一種靈敏度尚、識別準(zhǔn)確率尚的基于關(guān)鍵點檢測的NBI胃鏡圖像處理方法
[0005]一種基于關(guān)鍵點檢測的NBI胃鏡圖像處理方法，包括以下步驟:
[0006]對NBI胃鏡圖像數(shù)據(jù)進(jìn)行預(yù)處理，并將NBI胃鏡圖像轉(zhuǎn)換到灰度空間；
[0007]對預(yù)處理后的NBI胃鏡圖像使用SIFT算法提取關(guān)鍵點；
[0008]提取部分NBI胃鏡圖像作為訓(xùn)練集，將訓(xùn)練集中所有關(guān)鍵點組成特征袋，并使用聚類算法生成視覺詞典；
[0009]根據(jù)所述視覺詞典對單幅NBI胃鏡圖像進(jìn)行關(guān)鍵點歸類統(tǒng)計作為全局特征向量；
[0010]采用訓(xùn)練過的分類器對單幅NBI胃鏡圖像的全局特征進(jìn)行識別。
[0011]在其中一個實施例中，所述對NBI胃鏡圖像數(shù)據(jù)進(jìn)行預(yù)處理，并將NBI胃鏡圖像轉(zhuǎn)換到灰度空間的步驟包括:
[0012]采用中值濾波與小波去噪聯(lián)合對NBI胃鏡圖像進(jìn)行去噪處理；
[0013]將進(jìn)行去噪處理后的NBI胃鏡圖像由RGB色度空間轉(zhuǎn)換到灰度空間。
[0014]在其中一個實施例中，所述對預(yù)處理后的NBI胃鏡圖像使用SIFT算法提取關(guān)鍵點的步驟包括:
[0015]根據(jù)轉(zhuǎn)換到灰度空間的NBI胃鏡圖像與高斯函數(shù)卷積、降采樣獲得高斯金字塔圖像；
[0016]將相鄰兩層的高斯圖像相減獲得高斯差分圖像，并在所述高斯差分圖像上檢測關(guān)鍵點，并根據(jù)鄰域像素確定關(guān)鍵點的主方向；
[0017]根據(jù)所述關(guān)鍵點的主方向生成關(guān)鍵點描述子。
[0018]在其中一個實施例中，所述根據(jù)所述關(guān)鍵點的主方向生成關(guān)鍵點描述子的步驟包括:
[0019]取關(guān)鍵點的16*16鄰域，并分為4*4的子區(qū)域；
[0020]對每個子區(qū)域獲取維度為8的梯度直方圖；
[0021]將所有子區(qū)域的梯度直方圖組成關(guān)鍵點描述子。
[0022]在其中一個實施例中，所述將NBI胃鏡圖像訓(xùn)練集中所有關(guān)鍵點組成特征袋的步驟包括:
[0023]將NBI胃鏡圖像組成訓(xùn)練集，并提取訓(xùn)練集中NBI胃鏡圖像的關(guān)鍵點；
[0024]將所有關(guān)鍵點組成特征袋。
[0025]在其中一個實施例中，所述使用聚類算法生成視覺詞典的步驟包括:
[0026]使用硬聚類算法生成尺寸為10、20...、90的視覺詞典，其中，所述硬聚類算法的聚類中心個數(shù)分別為10、20...、90。
[0027]在其中一個實施例中，所述根據(jù)所述視覺詞典對單幅NBI胃鏡圖像進(jìn)行關(guān)鍵點歸類統(tǒng)計作為全局特征向量的步驟包括:
[0028]根據(jù)視覺詞典分別對單幅NBI胃鏡圖像進(jìn)行關(guān)鍵點歸類統(tǒng)計并計算出直方圖；
[0029]以所述直方圖作為單幅NBI胃鏡圖像的全局特征。
[0030]在其中一個實施例中，還包括訓(xùn)練樣本對建立的分類模型進(jìn)行訓(xùn)練；
[0031]訓(xùn)練完成的分類器對待測試的NBI胃鏡圖像進(jìn)行分類識別。
[0032]在其中一個實施例中，所述采用訓(xùn)練過的分類器對單幅NBI胃鏡圖像的全局特征進(jìn)行識別的步驟包括:
[0033]獲取待測試的NBI胃鏡圖像的全局特征；
[0034]采用訓(xùn)練完成的分類器對待測試的NBI胃鏡圖像進(jìn)行分類識別。
[0035]上述基于關(guān)鍵點檢測的NBI胃鏡圖像處理方法對經(jīng)過預(yù)處理后的胃鏡圖像使用SIFT算法提取關(guān)鍵點，然后提取部分NBI胃鏡圖像作為訓(xùn)練集，將訓(xùn)練集中所有關(guān)鍵點組成特征袋，并使用聚類算法生成視覺詞典。根據(jù)實際詞典對單幅NBI胃鏡圖像進(jìn)行關(guān)鍵點歸類統(tǒng)計作為全局特征。最后采用訓(xùn)練過的分類器對單幅NBI胃鏡圖像的全局特征進(jìn)行識另O。從而完成NBI胃鏡圖像的識別過程，由于SFIT算法對具有復(fù)雜成像環(huán)境、胃液及食物殘渣干擾的NBI胃鏡圖像有良好的魯棒性，從而使得NBI胃鏡圖像的識別準(zhǔn)確率增高，且降低了計算復(fù)雜度。

【專利附圖】

【附圖說明】
[0036]圖1為基于關(guān)鍵點檢測的NBI胃鏡圖像處理方法的流程圖；
[0037]圖2(a)為一個實施例中NBI胃鏡圖像的原圖；
[0038]圖2(b)為對圖2(a)中NBI胃鏡圖像關(guān)鍵點提取的結(jié)果示意圖；
[0039]圖3(a)為又一個實施例中NBI胃鏡圖像的原圖；
[0040]圖3(b)為對圖3(a)中NBI胃鏡圖像關(guān)鍵點提取的結(jié)果示意圖；
[0041]圖4為一個實施例中BOF算法輸出的全局特征直方圖。

【具體實施方式】
[0042]NBI (Narrow Band Imaging)即窄帶成像，是一種新興的內(nèi)窺鏡成像技術(shù)，它是利用濾光器過濾掉內(nèi)鏡光源所發(fā)出的紅藍(lán)綠光波中的寬帶光譜，僅留下窄帶光譜用于診斷消化道各種疾病。采用NBI獲取的胃內(nèi)膜圖像數(shù)據(jù)圖像稱之為NBI胃鏡圖像。
[0043]如圖1所示，為基于關(guān)鍵點檢測的NBI胃鏡圖像處理方法的流程圖。
[0044]一種基于關(guān)鍵點檢測的NBI胃鏡圖像處理方法，包括以下步驟:
[0045]步驟S110，對NBI胃鏡圖像數(shù)據(jù)進(jìn)行預(yù)處理，并將NBI胃鏡圖像轉(zhuǎn)換到灰度空間。
[0046]步驟SllO包括:
[0047]采用中值濾波與小波去噪聯(lián)合對NBI胃鏡圖像進(jìn)行去噪處理；
[0048]將進(jìn)行去噪處理后的NBI胃鏡圖像由RGB(R(red，紅色)、G(green，綠色)、B(blue，藍(lán)色))色度空間轉(zhuǎn)換到灰度空間。
[0049]NBI胃鏡圖像中包含干擾噪聲，一般需要去噪處理。在本實施例中，采用中值濾波和小波去噪聯(lián)合去噪方法。
[0050]原始NBI胃鏡圖像為彩色的，即RGB色度空間。而實際處理中需要使用NBI胃鏡圖像的灰度圖。因此，將NBI胃鏡圖像轉(zhuǎn)換到灰度空間。
[0051]SIFT (Scale-1nvariant feature transform，角點檢測技術(shù))算法是一種計算機(jī)視覺的算法，用來偵測與描述影像中的局部性特征，它在空間尺度中尋找極值點，并提取出其位置、尺度、旋轉(zhuǎn)不變量。
[0052]步驟S120，對預(yù)處理后的NBI胃鏡圖像使用SIFT算法提取關(guān)鍵點。
[0053]步驟S120包括:
[0054]①根據(jù)轉(zhuǎn)換到灰度空間的NBI胃鏡圖像與高斯函數(shù)卷積、降采樣獲得高斯金字塔圖像。
[0055]②將相鄰兩層的高斯圖像相減獲得高斯差分圖像，并在所述高斯差分圖像上檢測關(guān)鍵點，并根據(jù)鄰域像素確定關(guān)鍵點的主方向。
[0056]③根據(jù)所述關(guān)鍵點的主方向生成關(guān)鍵點描述子。
[0057]在本實施例中，首先構(gòu)建圖像的高斯金字塔，其中高斯金字塔通過NBI胃鏡圖像與高斯函數(shù)卷積、降采樣來獲得。然后檢測關(guān)鍵點。由于每一個采樣點要和它所有的相鄰點比較，其中相鄰點為和采樣點同尺度的8個相鄰點和上下相鄰尺度對應(yīng)的9*2個點，共26個。如果比較顯示為極值點，則為要檢測的關(guān)鍵點。
[0058]然后通過統(tǒng)計關(guān)鍵點鄰域像素的梯度來確定關(guān)鍵點的主方向，該步驟的目的使得SIFT算法具有旋轉(zhuǎn)不變性。最后根據(jù)關(guān)鍵點的主方向生成關(guān)鍵點描述子。每個關(guān)鍵點描述子由128維的特征向量組成。
[0059]具體的，根據(jù)所述關(guān)鍵點的主方向生成關(guān)鍵點描述子的步驟包括:
[0060]取關(guān)鍵點的16*16鄰域，并分為4*4的子區(qū)域。
[0061]對每個子區(qū)域獲取維度為8的梯度直方圖。
[0062]將所有子區(qū)域的梯度直方圖組成關(guān)鍵點描述子。
[0063]如圖2(a)和(b)所示，分別為一個實施例中NBI胃鏡圖像的原圖，和該NBI胃鏡圖像關(guān)鍵點提取的結(jié)果圖。
[0064]如圖3(a)和(b)所示，分別為又一個實施例中NBI胃鏡圖像的原圖，和該NBI胃鏡圖像關(guān)鍵點提取的結(jié)果圖
[0065]從上述四個圖像對比可知，不同類型原圖提取出來的關(guān)鍵點分布特征不同，因此，可以通過提取原圖的關(guān)鍵點來判斷原圖對應(yīng)的類型。
[0066]在其他實施例中，SIFT關(guān)鍵點還可以用通過對圖像進(jìn)行隨機(jī)抽樣、稠密抽樣以及顯著區(qū)域檢測等方式完成提取。
[0067]步驟S130-步驟S140為采用BOF算法生成NBI胃鏡圖像的全局特征向量。
[0068]BOF(Bag of Feature)是一種用于圖像或視頻檢索的技術(shù)，它將局部特征集合整體考慮，根據(jù)視覺碼書量化局部特征并將其標(biāo)記為視覺詞匯，同時局部特征集被映射成一個關(guān)鍵詞頻率分布的直方圖。因此概括的來說，BOF就是生成每幅圖像的“條形碼”來進(jìn)行檢索。
[0069]步驟S130，提取部分NBI胃鏡圖像作為訓(xùn)練集，將訓(xùn)練集中所有關(guān)鍵點組成特征袋，并使用聚類算法生成視覺詞典。
[0070]步驟S130包括:
[0071]將部分NBI胃鏡圖像組成訓(xùn)練集，并提取訓(xùn)練集中NBI胃鏡圖像的關(guān)鍵點；
[0072]將所有關(guān)鍵點組成特征袋。
[0073]所述使用聚類算法生成視覺詞典的步驟包括:
[0074]使用硬聚類算法生成尺寸為10、20...、90的視覺詞典，其中，所述硬聚類算法的聚類中心個數(shù)分別為10、20...、90。
[0075]在一個實施例中，采用步驟S130具體為:將NBI胃鏡圖像訓(xùn)練集中所有關(guān)鍵點組成特征袋，然后使用K-mean(硬聚類算法)聚類(其中聚類中心的個數(shù)分別為10、20...、90);即分別生成尺寸為10、20...、90的視覺詞典。然后通過可以視覺詞典分別獲取單幅NBI胃鏡圖像的全局特征向量。
[0076]步驟S140，根據(jù)所述視覺詞典對單幅NBI胃鏡圖像進(jìn)行關(guān)鍵點歸類統(tǒng)計作為全局特征向量。
[0077]步驟S140包括:
[0078]根據(jù)視覺詞典分別對單幅NBI胃鏡圖像進(jìn)行關(guān)鍵點歸類統(tǒng)計并計算出直方圖。
[0079]以所述直方圖作為單幅NBI胃鏡圖像的全局特征。
[0080]如圖4所示，為BOF算法輸出的全局特征向量直方圖。其中，視覺詞典的尺寸為40。通過直方圖能夠確定NBI胃鏡圖像的分類特征，從而能夠被訓(xùn)練過的分類器識別。
[0081]步驟S150，采用訓(xùn)練過的分類器對單幅NBI胃鏡圖像的全局特征進(jìn)行識別。
[0082]在本實施例中，獲取了全局特征的NBI胃鏡圖像能夠被訓(xùn)練過的分類器識別。
[0083]基于關(guān)鍵點檢測的NBI胃鏡圖像處理方法還包括:
[0084]訓(xùn)練樣本對建立的分類模型進(jìn)行訓(xùn)練。
[0085]訓(xùn)練完成的分類器對待測試的NBI胃鏡圖像進(jìn)行分類識別。
[0086]分類器需要事先采用已知類型的NBI胃鏡圖像訓(xùn)練完成。
[0087]步驟S150包括:
[0088]獲取待測試的NBI胃鏡圖像的全局特征。
[0089]采用訓(xùn)練完成的分類器對待測試的NBI胃鏡圖像進(jìn)行分類識別。
[0090]基于上述所有實施例，基于關(guān)鍵點檢測的NBI胃鏡圖像處理方法的實施過程為:
[0091]首先使用NBI內(nèi)窺鏡獲取胃內(nèi)膜圖像數(shù)據(jù)，即NBI胃鏡圖像。對采集的NBI胃鏡圖像進(jìn)行預(yù)處理去除噪聲，并將其由RGB空間轉(zhuǎn)換到灰度空間。然后對經(jīng)過預(yù)處理的NBI胃鏡圖像使用SIFT算法進(jìn)行關(guān)鍵點提取。再根據(jù)關(guān)鍵點構(gòu)建視覺詞典，構(gòu)建視覺詞典完成后，可以根據(jù)視覺詞典對每幅NBI胃鏡圖像進(jìn)行關(guān)鍵點歸類統(tǒng)計得出關(guān)鍵點描述子直方圖作為最終的分類特征。最后采用訓(xùn)練完成的分類器對待測試的NBI胃鏡圖像進(jìn)行分類識另O。從而實現(xiàn)NBI胃鏡圖像的識別處理。上述方法在保證靈敏度(真陽性檢出率)的同時，具有較低的假陽性檢出率，從而為減少醫(yī)院資源浪費，同時也為病人節(jié)約了后續(xù)檢查成本。
[0092]上述基于關(guān)鍵點檢測的NBI胃鏡圖像處理方法對經(jīng)過預(yù)處理后的胃鏡圖像使用SIFT算法提取關(guān)鍵點，然后提取部分NBI胃鏡圖像作為訓(xùn)練集，將訓(xùn)練集中所有關(guān)鍵點組成特征袋，并使用聚類算法生成視覺詞典。根據(jù)實際詞典對單幅NBI胃鏡圖像進(jìn)行關(guān)鍵點歸類統(tǒng)計作為全局特征。最后采用訓(xùn)練過的分類器對單幅NBI胃鏡圖像的全局特征進(jìn)行識另O。從而完成NBI胃鏡圖像的識別過程，由于SFIT算法對具有復(fù)雜成像環(huán)境、胃液及食物殘渣干擾的NBI胃鏡圖像有良好的魯棒性，從而使得NBI胃鏡圖像的識別準(zhǔn)確率增高，且降低了計算復(fù)雜度。
[0093]以上所述實施例的各技術(shù)特征可以進(jìn)行任意的組合，為使描述簡潔，未對上述實施例中的各個技術(shù)特征所有可能的組合都進(jìn)行描述，然而，只要這些技術(shù)特征的組合不存在矛盾，都應(yīng)當(dāng)認(rèn)為是本說明書記載的范圍。
[0094]以上所述實施例僅表達(dá)了本發(fā)明的幾種實施方式，其描述較為具體和詳細(xì)，但并不能因此而理解為對發(fā)明專利范圍的限制。應(yīng)當(dāng)指出的是，對于本鄰域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)，這些都屬于本發(fā)明的保護(hù)范圍。因此，本發(fā)明專利的保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。
【權(quán)利要求】
1.一種基于關(guān)鍵點檢測的NBI胃鏡圖像處理方法，包括以下步驟: 對NBI胃鏡圖像數(shù)據(jù)進(jìn)行預(yù)處理，并將NBI胃鏡圖像轉(zhuǎn)換到灰度空間； 對預(yù)處理后的NBI胃鏡圖像使用SIFT算法提取關(guān)鍵點； 提取部分NBI胃鏡圖像作為訓(xùn)練集，將訓(xùn)練集中所有關(guān)鍵點組成特征袋，并使用聚類算法生成視覺詞典； 根據(jù)所述視覺詞典對單幅NBI胃鏡圖像進(jìn)行關(guān)鍵點歸類統(tǒng)計作為全局特征向量； 采用訓(xùn)練過的分類器對單幅NBI胃鏡圖像的全局特征進(jìn)行識別。
2.根據(jù)權(quán)利要求1所述的基于關(guān)鍵點檢測的NBI胃鏡圖像處理方法，其特征在于，所述對NBI胃鏡圖像數(shù)據(jù)進(jìn)行預(yù)處理，并將NBI胃鏡圖像轉(zhuǎn)換到灰度空間的步驟包括: 采用中值濾波與小波去噪聯(lián)合對NBI胃鏡圖像進(jìn)行去噪處理； 將進(jìn)行去噪處理后的NBI胃鏡圖像由RGB色度空間轉(zhuǎn)換到灰度空間。
3.根據(jù)權(quán)利要求1所述的基于關(guān)鍵點檢測的NBI胃鏡圖像處理方法，其特征在于，所述對預(yù)處理后的NBI胃鏡圖像使用SIFT算法提取關(guān)鍵點的步驟包括: 根據(jù)轉(zhuǎn)換到灰度空間的NBI胃鏡圖像與高斯函數(shù)卷積、降采樣獲得高斯金字塔圖像；將相鄰兩層的高斯圖像相減獲得高斯差分圖像，并在所述高斯差分圖像上檢測關(guān)鍵點，并根據(jù)鄰域像素確定關(guān)鍵點的主方向； 根據(jù)所述關(guān)鍵點的主方向生成關(guān)鍵點描述子。
4.根據(jù)權(quán)利要求4所述的基于關(guān)鍵點檢測的NBI胃鏡圖像處理方法，其特征在于，所述根據(jù)所述關(guān)鍵點的主方向生成關(guān)鍵點描述子的步驟包括: 取關(guān)鍵點的16*16鄰域，并分為4*4的子區(qū)域； 對每個子區(qū)域獲取維度為8的梯度直方圖； 將所有子區(qū)域的梯度直方圖組成關(guān)鍵點描述子。
5.根據(jù)權(quán)利要求1所述的基于關(guān)鍵點檢測的NBI胃鏡圖像處理方法，其特征在于，所述將NBI胃鏡圖像訓(xùn)練集中所有關(guān)鍵點組成特征袋的步驟包括: 將NBI胃鏡圖像組成訓(xùn)練集，并提取訓(xùn)練集中NBI胃鏡圖像的關(guān)鍵點； 將所有關(guān)鍵點組成特征袋。
6.根據(jù)權(quán)利要求1所述的基于關(guān)鍵點檢測的NBI胃鏡圖像處理方法，其特征在于，所述使用聚類算法生成視覺詞典的步驟包括: 使用硬聚類算法生成尺寸為10、20...、90的視覺詞典，其中，所述硬聚類算法的聚類中心個數(shù)分別為10、20…、90。
7.根據(jù)權(quán)利要求1所述的基于關(guān)鍵點檢測的NBI胃鏡圖像處理方法，其特征在于，所述根據(jù)所述視覺詞典對單幅NBI胃鏡圖像進(jìn)行關(guān)鍵點歸類統(tǒng)計作為全局特征向量的步驟包括: 根據(jù)視覺詞典分別對單幅NBI胃鏡圖像進(jìn)行關(guān)鍵點歸類統(tǒng)計并計算出直方圖； 以所述直方圖作為單幅NBI胃鏡圖像的全局特征。
8.根據(jù)權(quán)利要求1所述的基于關(guān)鍵點檢測的NBI胃鏡圖像處理方法，其特征在于，還包括訓(xùn)練樣本對建立的分類模型進(jìn)行訓(xùn)練； 訓(xùn)練完成的分類器對待測試的NBI胃鏡圖像進(jìn)行分類識別。
9.根據(jù)權(quán)利要求8所述的基于關(guān)鍵點檢測的NBI胃鏡圖像處理方法，其特征在于，所述采用訓(xùn)練過的分類器對單幅NBI胃鏡圖像的全局特征進(jìn)行識別的步驟包括: 獲取待測試的NBI胃鏡圖像的全局特征； 采用訓(xùn)練完成的分類器對待測試的NBI胃鏡圖像進(jìn)行分類識別。
【文檔編號】G06K9/54GK104463182SQ201410714561
【公開日】2015年3月25日 申請日期:2014年11月28日 優(yōu)先權(quán)日:2014年11月28日
【發(fā)明者】周豐豐, 劉記奎, 趙苗苗, 葛瑞泉, 王普 申請人:深圳先進(jìn)技術(shù)研究院