待處理圖像區(qū)域的噪聲；
[0041] b.基于視覺(jué)感知的顏色空間轉(zhuǎn)換
[0042] 步驟a中得到的預(yù)處理RGB圖像是基于設(shè)備的顏色空間，將其轉(zhuǎn)換到基于視覺(jué)感 知的Luv顏色空間；
[0043] c.特征顯著圖的提取
[0044] 以步驟b得到的Luv顏色空間圖像的u、v分量作為輸入，計(jì)算顏色特征顯著圖 uv (c，s)，以L分量作為輸入計(jì)算亮度特征顯著圖L (c，s)，然后使用拉普拉斯變換算法，提 取圖像中的邊沿，并采用虛連的方法，得到圖像中顯著內(nèi)容的邊沿區(qū)域，計(jì)算輪廓特征顯著 圖 0(c, s);
[0045] d.特征顯著圖融合與合成
[0046] 對(duì)步驟c所得到的顏色特征顯著圖uv(c，s)，亮度特征顯著圖L(c，s)，輪廓特征顯 著圖0(c，s)分別在多尺度下進(jìn)行規(guī)則化運(yùn)算，然后進(jìn)行各個(gè)特征顯著圖的融合，得到圖像 的顯著度圖S;
[0047] e，顯著區(qū)域的選擇與轉(zhuǎn)移
[0048] 以步驟d中所得到的顯著圖中為輸入，采用蝕刻算法過(guò)濾掉面積較小的顯著區(qū) 域，然后按照區(qū)域面積大小的順序排列顯著度程度，即疑是病灶區(qū)域，最后計(jì)算病灶區(qū)域的 種子值，供后續(xù)的模式識(shí)別使用，以篩除或確認(rèn)病灶的類別。
[0049] 進(jìn)一步，步驟a中，內(nèi)窺圖像視野平滑處理過(guò)程如下：先將數(shù)字圖像坐標(biāo)原點(diǎn) (〇,〇)平移至圖像幾何原點(diǎn)（-256/2,-256/2)處，然后對(duì)圖像內(nèi)像素進(jìn)行掃描，當(dāng)其距幾何 原點(diǎn)的長(zhǎng)度大于膠囊內(nèi)窺系統(tǒng)視野半徑128時(shí)，則將其過(guò)濾為圖像視野之外。
[0050] 采用中值濾波器算法對(duì)膠囊內(nèi)窺圖像進(jìn)行預(yù)處理，濾除內(nèi)窺圖像中的噪聲。
[0051] 再進(jìn)一步，所述步驟c中，特征顯著圖的提取過(guò)程采用基于Itti模型算法，采用 Center-Surround算子Θ對(duì)亮度顯著圖L(c, s)、顏色顯著圖uv(c, s)、輪廓顯著圖0(c, s) 分別進(jìn)行特征計(jì)算，其計(jì)算過(guò)程為：
[0052] L (c，s) = | L (c) Θ L (s) |
[0053] uv(c, s) = I (u (c)-v (c)) Θ (v (s)-v (s))
[0054] 0(c, s) = | 0(c) 0〇(s)
[0055] 其中中心尺度取c = {2, 3, 4}，四周尺度取s = {2, 6, 8}。
[0056] 更進(jìn)一步，所述步驟d中，特征顯著圖融合與合成的過(guò)程如下：首先采用規(guī)則 化算子N( ·)分別對(duì)各個(gè)通道的特征顯著圖進(jìn)行計(jì)算，得到該特征通道的綜合顯著圖 N (L (c，s))、N (uv (c，s))、N (0 (c，s))，然后將各個(gè)通道的顯著圖進(jìn)行融合，得到各個(gè)通道的 顯著度融合圖Z、其計(jì)算過(guò)程如下：
[0060] 再然后將各分量的顯著度融合圖?、： 、孓采用規(guī)則化算子N( ·)得到規(guī)則化 的顯著圖融合圖#0-)、#(石),最后合并為綜合的視覺(jué)顯著度圖s，其計(jì)算公式如 下：
[0062] 所述的規(guī)則化算子Ν( ·)的計(jì)算過(guò)程如下：首先遍歷圖中的像素，尋找全局最大值 Μ，并將圖中的顯著度值按比例規(guī)則化到固定區(qū)域[0，Μ]，然后分別計(jì)算區(qū)域的局部最大值 的平均值；，并將圖中每個(gè)位置的值乘以放大系數(shù)
[0063] 所述步驟e中，所述的區(qū)域種子值計(jì)算采用中位數(shù)的統(tǒng)計(jì)方法，在步驟e中所確定 的疑似病灶區(qū)域內(nèi)統(tǒng)計(jì)各個(gè)像素L，u，v分量的中位數(shù)M(L)，M(u)，M(v)，然后使用該中位數(shù) 構(gòu)造基于視覺(jué)感知顏色空間的像素值P (M (L)，M (u)，M (v))作為種子值。
[0064] 最后，還需要注意的是，以上列舉的僅是本發(fā)明的一個(gè)具體實(shí)施例。顯然，本發(fā)明 不限于以上實(shí)施例，還可以有許多變形。本領(lǐng)域的普通技術(shù)人員能從本發(fā)明公開的內(nèi)容直 接導(dǎo)出或聯(lián)想到的所有變形，均應(yīng)認(rèn)為是本發(fā)明的保護(hù)范圍。
【主權(quán)項(xiàng)】
1. 一種基于視覺(jué)注意機(jī)制的內(nèi)窺圖像中病灶定位方法，其特征在于：所述定位方法包 括如下步驟： a. 內(nèi)窺圖像視野邊沿平滑與去噪預(yù)處理 將內(nèi)窺鏡檢測(cè)視頻輸入，分幅得到單幅內(nèi)窺圖像，首先按內(nèi)窺鏡的視野參數(shù)將圖像的 邊沿黑邊平滑處理，得到邊界清晰的內(nèi)窺圖像，然后進(jìn)行圓形圖像區(qū)域的去噪預(yù)處理，去掉 待處理圖像區(qū)域的噪聲； b. 基于視覺(jué)感知的顏色空間轉(zhuǎn)換 步驟a中得到的預(yù)處理RGB圖像是基于設(shè)備的顏色空間，將其轉(zhuǎn)換到基于視覺(jué)感知的 Luv顏色空間； c. 特征顯著圖的計(jì)算 以步驟b得到的Luv顏色空間圖像的u、V分量作為輸入，計(jì)算顏色特征顯著圖 uv (c，s)，以L分量作為輸入計(jì)算亮度特征顯著圖L (c，s)，然后使用拉普拉斯變換算法，提 取圖像中的邊沿，并采用虛連的方法，得到圖像中顯著內(nèi)容的邊沿區(qū)域，計(jì)算輪廓特征顯著 圖 0(c, s); d. 特征顯著圖融合與合成 對(duì)步驟C所得到的顏色特征顯著圖UV (c，s)，亮度特征顯著圖L (c，s)，輪廓特征顯著圖 〇(c，s)分別在多尺度下進(jìn)行規(guī)則化運(yùn)算，然后進(jìn)行各個(gè)特征顯著圖的融合，得到圖像的顯 著度圖S ; e，顯著區(qū)域的選擇與轉(zhuǎn)移 以步驟d中所得到的顯著圖中為輸入，采用蝕刻算法過(guò)濾掉面積較小的顯著區(qū)域，然 后按照區(qū)域面積大小的順序排列顯著度程度，即疑似病灶區(qū)域，最后計(jì)算病灶區(qū)域的種子 值，供后續(xù)的模式識(shí)別使用，以篩除或確認(rèn)病灶的類別。2. 如權(quán)利要求1所述的基于視覺(jué)注意機(jī)制的內(nèi)窺圖像中病灶定位方法，其特征在于： 所述步驟a中，內(nèi)窺圖像視野平滑處理過(guò)程如下：先將數(shù)字圖像坐標(biāo)原點(diǎn)（0, 0)平移至圖像 幾何原點(diǎn)（_L/2，_M/2)處，其中L，M分別圖像的長(zhǎng)和寬，然后對(duì)圖像內(nèi)像素進(jìn)行掃描，當(dāng)其 距幾何原點(diǎn)的距離大于膠囊內(nèi)窺系統(tǒng)視野半徑R時(shí)，則將其過(guò)濾為圖像視野之外。3. 如權(quán)利要求2所述的基于視覺(jué)注意機(jī)制的內(nèi)窺圖像中病灶定位方法，其特征在于： 所述步驟a中，內(nèi)窺圖像去噪預(yù)處理過(guò)程采用中值濾波器算法。4. 如權(quán)利要求1~3之一所述的基于視覺(jué)注意機(jī)制的內(nèi)窺圖像中病灶定位方 法，其特征在于：所述步驟c中，特征顯著圖的提取過(guò)程采用基于Itti模型算法，采用 Center-Surround算子Θ分別計(jì)算亮度特征顯著圖L (c, s)、顏色特征顯著圖uv (c, s)、輪廓 特征顯著圖0 (c，s)，其計(jì)算過(guò)程為：其中中心尺度取c = {2, 3, 4}，四周尺度取s = {2, 6, 8}。5. 如權(quán)利要求1~3之一所述的基于視覺(jué)注意機(jī)制的內(nèi)窺圖像中病灶定位方法，其特 征在于：所述步驟d中，特征顯著圖融合與合成的過(guò)程如下：首先采用規(guī)則化算子N( ·)分 別對(duì)各個(gè)通道的特征顯著圖進(jìn)行計(jì)算，得到該特征通道的規(guī)則化綜合顯著圖N(L(c，s))、 N(uv (c，s))、N(0 (c，s))，然后將各個(gè)通道的顯著圖進(jìn)行融合，得到各個(gè)通道的顯著度融合 圖其計(jì)算過(guò)程如下：再然后將各分量的融合顯著度圖采用規(guī)則化算子N( ·)得到規(guī)則化的顯著 圖融合圖，最后合并為綜合的視覺(jué)顯著度圖S，其計(jì)算公式如下：6. 如權(quán)利要求5基于視覺(jué)注意機(jī)制的內(nèi)窺圖像中病灶定位方法，其特征在于：所述的 規(guī)則化算子N( ·)的計(jì)算過(guò)程如下：首先遍歷圖中的像素，尋找全局最大值M，并將圖中的 顯著度值按比例規(guī)則化到固定區(qū)域[〇，M]，然后分別計(jì)算區(qū)域的局部最大值的平均值忑，并 將圖中每個(gè)位置的值乘以放大系數(shù)。7. 如權(quán)利要求1~3之一所述的基于視覺(jué)注意機(jī)制的內(nèi)窺圖像中病灶定位算法，其特 征在于：所述步驟e中，所述的區(qū)域種子值計(jì)算采用中位數(shù)的統(tǒng)計(jì)方法，在步驟e中所確定 的疑是病灶區(qū)域內(nèi)統(tǒng)計(jì)各個(gè)像素L，u，V分量的中位數(shù)M(L)，M(u)，M(v)，然后使用該中位數(shù) 構(gòu)造基于視覺(jué)感知顏色空間的像素值P (M (L)，M (u)，M (V))作為種子值。
【專利摘要】一種基于視覺(jué)注意機(jī)制的內(nèi)窺圖像中病灶定位方法，包括如下步驟：內(nèi)窺圖像視野邊沿平滑與去噪預(yù)處理；基于視覺(jué)感知的顏色空間轉(zhuǎn)換；各通道特征顯著圖的計(jì)算；特征顯著圖融合與合成；種子值計(jì)算與顯著區(qū)域的選擇與轉(zhuǎn)移。本發(fā)明算法基于人類視覺(jué)注意機(jī)制，將提高內(nèi)窺圖像中病灶區(qū)域確定的準(zhǔn)確度；將濾除那些非顯著的圖像區(qū)域，并且按照視覺(jué)顯著度程度排列待識(shí)別區(qū)域，將極大地降低模式識(shí)別的計(jì)算量；基于視覺(jué)感知的顏色Luv空間，最大程度地利用了內(nèi)窺圖像的顏色信息，而顏色信息是病灶區(qū)域診斷的重要信息，從而提高了病灶區(qū)域確定的準(zhǔn)確度和特異度。
【IPC分類】G06T7/00, G06K9/46
【公開號(hào)】CN105354852
【申請(qǐng)?zhí)枴緾N201510845326
【發(fā)明人】潘國(guó)兵, 湯文軒, 歐陽(yáng)靜, 陳金鑫
【申請(qǐng)人】浙江工業(yè)大學(xué)
【公開日】2016年2月24日
【申請(qǐng)日】2015年11月27日