徐婷婷 吉曉東 李文華 包志華

摘 要： 針對常用的計(jì)算機(jī)輔助分析方法受消化道氣泡、光照和拍攝角度等影響難以對膠囊內(nèi)鏡圖像取得較好的分類效果的問題，提出一種結(jié)合顏色矩、小波變換和共生矩陣的特征提取方法，并用SVM將圖像分為健康和病變兩類。計(jì)算HSV空間去噪后圖像的顏色矩，同時(shí)采用小波變換選擇中高頻帶后重構(gòu)圖像并計(jì)算其共生矩陣特征值，將提取出的特征值歸一化，作為SVM的輸入進(jìn)行訓(xùn)練和分類。實(shí)驗(yàn)結(jié)果表明，該方法正確率可達(dá)98.88%，相比其他方法取得了更好的分類結(jié)果。

關(guān)鍵詞： 膠囊內(nèi)鏡； 圖像分類； 特征提取； 小波變換； 顏色矩； 共生矩陣

中圖分類號： TN911.73?34； TP181 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2018）19?0058?05

Abstract： The commonly?used computer aided analysis method is difficult to obtain a better classification result of capsule endoscopy images due to the influence of digestive tract bubbles， illumination and shooting angle. Therefore， a feature extraction method based on color moment， wavelet transform and co?occurrence matrix is proposed， and the SVM is used to classify the images into healthy and diseased categories. The color moments of the denoised images in the HSV space are calculated， and the wavelet transform is used to select the middle and high frequency bands to reconstruct the images and calculate the feature values of their co?occurrence matrixes. The extracted feature values are normalized as the inputs of SVM for training and classification. The experimental results show that the correct rate of the proposed method can reach up to 98.88%， which is much better than other methods.

Keywords： capsule endoscopy； image classification； feature extraction； wavelet transform； color moment； co?occurrence matrix

0 引 言

消化道疾病困擾著全球無數(shù)的患者，而現(xiàn)在常用的內(nèi)窺鏡檢查系統(tǒng)都不得不帶引導(dǎo)插管，不僅對病人造成極大的痛苦，而且操作不便。2001年世界首套膠囊內(nèi)鏡系統(tǒng)獲美國FDA（Food and Drug Administration）批準(zhǔn)應(yīng)用于臨床，有效地解決了上述問題。醫(yī)生能夠通過系統(tǒng)傳回的圖像觀察病人體內(nèi)情況，然而反饋的圖像量巨大，人工判讀太浪費(fèi)時(shí)間和人力。本研究采用的圖像由杭州華沖科技有限公司提供，該公司自主研發(fā)的HT型膠囊式內(nèi)窺鏡系統(tǒng)拍攝頻率為2幀/s，故8 h以上工作時(shí)間將產(chǎn)生至少57 600張圖像。如果由醫(yī)生逐張閱讀判斷，不僅枯燥、使人疲倦，還極易遺漏有價(jià)值的信息。因此，找到一種對膠囊內(nèi)鏡圖像有良好特征提取效果的計(jì)算機(jī)輔助分析方法尤為重要。圖像特征主要包含形狀、顏色和紋理等，特征的提取和選擇直接影響后續(xù)圖像分類器的性能[1]。文獻(xiàn)[2]采用小波變換的方法，提取膠囊內(nèi)鏡圖像的紋理特征；文獻(xiàn)[3]在RGB（Red，Green，Blue）和HSI（Hue，Saturation，Intensity）空間中，從離散小波變換子帶中提取ULBP（Uniform Local Binary Pattern）特征；文獻(xiàn)[4] 從RGB空間中提取色域旋轉(zhuǎn)和ULBP特征；文獻(xiàn)[5]提取了圖像的色調(diào)飽和度直方圖及圖像的LBP紋理特征；文獻(xiàn)[6]在HSI空間對顏色量化并加權(quán)融合，同時(shí)結(jié)合圖像的Sift（Scale?invariant Feature Transform）特征；文獻(xiàn)[7]采用基于灰度共生矩陣和小波的Gabor濾波器提取內(nèi)鏡圖像的紋理信息。然而這些方法都是基于全圖或圖像低頻部分，并未著重考慮含有豐富紋理信息的圖像中高頻部分。

膠囊內(nèi)鏡圖像具有豐富的顏色和紋理信息，并且病變區(qū)域與非病變區(qū)域有著顯著的顏色和紋理差異，因此，本文以提高圖像分類性能為目標(biāo)，提出一種結(jié)合顏色矩、小波變換和共生矩陣的特征提取方法。將膠囊內(nèi)鏡圖像庫分為訓(xùn)練集和測試集，用顏色矩提取顏色特征，基于小波變換的共生矩陣方法提取紋理特征，對提取出的圖像的特征值進(jìn)行歸一化處理，作為SVM（Support Vector Machine）的輸入，從而得到測試集的分類結(jié)果。經(jīng)實(shí)驗(yàn)證明，本文方法能夠有效地根據(jù)是否含有病變情況將膠囊內(nèi)鏡圖像分為兩類，從而輔助醫(yī)生判讀。

1 方法基本框架

本文所提方法主要包括三個(gè)部分：

1） 提取顏色特征：將膠囊內(nèi)鏡圖像由RGB空間轉(zhuǎn)換到HSV（Hue，Saturation，Value）空間，通過小波變換對圖像的中高頻部分用維納濾波去除噪聲，重構(gòu)圖像，計(jì)算顏色矩，構(gòu)造顏色特征向量。

2） 提取紋理特征：通過小波變換選取中高頻子帶，重構(gòu)圖像，計(jì)算其共生矩陣特征值，構(gòu)造紋理特征向量。

3） 訓(xùn)練及分類：將訓(xùn)練集圖像的顏色和紋理特征歸一化，輸入SVM進(jìn)行訓(xùn)練，再用訓(xùn)練好的SVM對測試集圖像進(jìn)行分類，將其分為健康和病變圖像。

本文所提方法的流程圖如圖1所示。

2 圖像特征提取及分類算法設(shè)計(jì)

2.1 提取顏色特征

提取圖像顏色特征時(shí)，很多算法都先對圖像特征進(jìn)行量化處理。然而，量化處理容易導(dǎo)致誤檢，并且產(chǎn)生的圖像特征維數(shù)高，不利于分類。因此，本文采用顏色矩提取顏色特征，該方法的優(yōu)點(diǎn)在于：不需要對顏色空間量化，特征向量維數(shù)低。以一階、二階和三階矩構(gòu)造特征向量，足以表達(dá)圖像的顏色分布[8]，并且控制了計(jì)算量。由于HSV顏色空間與人眼對顏色的主觀認(rèn)識相對符合[9]，相比其他顏色空間能更好地反映人類的感知，所以本文在HSV顏色空間下，對圖像中高頻段用維納濾波去除噪聲，重構(gòu)圖像，取顏色矩作為顏色特征，構(gòu)造顏色特征向量。

3 實(shí)驗(yàn)與分析

本實(shí)驗(yàn)在Matlab R2016a下完成。在實(shí)驗(yàn)時(shí)，對分解級為1的中高頻部分用窗口大小為[5，5]的維納濾波器去除噪聲，對分解級為2的中高頻部分用窗口大小為[3，3]的維納濾波器，對分解級為3的中高頻部分則用窗口大小為[2，2]的維納濾波器。選取Daubechies函數(shù)為小波變換的基函數(shù)，分解級定為3。綜合提取的顏色特征和紋理特征，最終作為SVM輸入的特征向量為：

方法1在圖像的各分量上，引入模糊紋理譜提取相應(yīng)特征，并用BP神經(jīng)網(wǎng)絡(luò)識別，最后通過投票確定最終分類結(jié)果[14]；方法2根據(jù)特征的平均影響值對提取的特征進(jìn)行篩選，再用SVM進(jìn)行分類[1]；方法3則僅用[Fcolor]作為SVM的輸入。

由此可見，本文方法無論在實(shí)用性還是正確率上都優(yōu)于現(xiàn)有方法，并且準(zhǔn)確率達(dá)到98.88%可以很好地滿足臨床要求。

4 結(jié) 語

受消化道氣泡、光照和拍攝角度等影響，常用的計(jì)算機(jī)輔助分析方法難以對膠囊內(nèi)鏡圖像取得較好的分類效果。因此本文結(jié)合顏色矩、小波變換和共生矩陣，提出一種提取圖像特征用于分類的新方法，將提取到的特征通過SVM分類。實(shí)驗(yàn)結(jié)果顯示，該方法能夠有效提高分類的正確率，并對輔助醫(yī)生判讀起到一定的積極作用。

參考文獻(xiàn)

[1] 鄧江洪，趙領(lǐng).多特征篩選與支持向量機(jī)相融合的圖像分類模型[J].吉林大學(xué)學(xué)報(bào)（理學(xué)版），2016，54（4）：862?866.

DENG Jianghong， ZHAO Ling. Image classification model with multiple feature selection and support vector machine [J]. Journal of Jilin University （science edition）， 2016， 54（4）： 862?866.

[2] 李凱旋，劉哲星，呂慶文，等.基于小波變換的膠囊內(nèi)鏡圖像檢索[J].現(xiàn)代消化及介入診療，2011，16（2）：77?81.

LI Kaixuan， LIU Zhexing， L? Qingwen， et al. Capsule endoscopic image retrieval based on wavelet transform [J]. Modern digestion & intervention， 2011， 16（2）： 77?81.

[3] LI B， MENG Q H. Automatic polyp detection for wireless capsule endoscopy images [J]. Expert systems with applications， 2012， 39（12）： 10952?10958.

[4] CHARISIS V S， KATSIMEROU C， HADJILEONTIADIS L J， et al. Computer?aided capsule endoscopy images evaluation based on color rotation and texture features： an educational tool to physicians [C]// Proceedings of the 26th IEEE International Symposium on Computer?Based Medical Systems. Porto： IEEE， 2013： 203?208.

[5] 鄒月嫻，霍佳森，劉吉，等.基于特征融合的WCE圖像檢索[J].計(jì)算機(jī)科學(xué)，2013，40（z2）：320?324.

ZOU Yuexian， HUO Jiasen， LIU Ji， et al. WCE image retrieval by using fused feature [J]. Computer science， 2013， 40（S2）： 320?324.

[6] 詹昌飛，蔡軼珩，盛楠.基于顏色特征和Sift特征的膠囊內(nèi)鏡圖像檢索[J].測控技術(shù)，2016，35（5）：11?15.

ZHAN Changfei， CAI Yiheng， SHENG Nan. Capsule endoscopic image retrieval combined color feature with sift feature [J]. Measurement & control technology， 2016， 35（5）： 11?15.

[7] NEZHADIAN F K， RASHIDI S. Palmprint verification based on textural features by using Gabor filters based GLCM and wavelet [C]// Proceedings of the 2nd Conference on Swarm Intelligence and Evolutionary Computation. Kerman： IEEE， 2017： 112?117.

[8] STRICKER A M A， ORENGO M. Similarity of color images [C]// Proceedings of 1995 Conference on Storage and Retrieval for Image and Video Databases III. Bellingham： Society of Photo?Optical Instrumentation Engineers， 1995： 381?392.

[9] 張曉雪.基于結(jié)構(gòu)特征直方圖的圖像檢索[D].長春：東北師范大學(xué)，2014.

ZHANG Xiaoxue. Image retrieval based on structural feature histogram [D]. Changchun： Northeast Normal University， 2014.

[10] 丁軍娣，董燕，戶衛(wèi)東.基于角點(diǎn)特征的圖像檢索新方法[J].計(jì)算機(jī)應(yīng)用與軟件，2015，32（3）：212?214.

DING Jundi， DONG Yan， HU Weidong. A novel method for image retrieval based on corner features [J]. Computer applications and software， 2015， 32（3）： 212?214.

[11] HARALICK R M. Statistical and structural approaches to texture [J]. Proceedings of the IEEE， 1979， 67（5）： 786?804.

[12] YU P S， CHEN S T， CHANG I F. Support vector regression for real?time flood stage forecasting [J]. Journal of hydrology， 2006， 328（3）： 704?716.

[13] 馬樂寬，邱瑀，趙越，等.基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)的小流域日徑流量預(yù)測研究[J].水資源與水工程學(xué)報(bào)，2016，27（5）：23?27.

MA Lekuan， QIU Yu， ZHAO Yue， et al. Prediction of daily runoff in a small watershed based on improved neural network and support vector machine [J]. Journal of water resources & water engineering， 2016， 27（5）： 23?27.

[14] 李凱旋，孫宇千，劉哲星，等.基于模糊紋理譜的膠囊內(nèi)窺圖像識別[J].計(jì)算機(jī)工程，2012，38（19）：229?232.

LI Kaixuan， SUN Yuqian， LIU Zhexing， et al. Capsule endoscopic image recognition based on fuzzy texture spectrum [J]. Computer engineering， 2012， 38（19）： 229?232.