[发明专利]自动定位体内胃肠特征点的方法

权利要求书

1.一种自动定位体内胃肠特征点的方法，其特征在于，包括如下步骤：

步骤1，获取胃肠原始图片数据并进行分割编号，对该数据进行初步定位筛选，获得定位筛选后的测试集；

步骤2，提取训练集的WLD直方图特征，用来训练KNN分类器；

步骤3，提取测试集的WLD直方图特征，并用训练完成的KNN分类器为测试集分类；根据分类结果进行精确定位胃肠特征点信息；

所述步骤1初步定位筛选的步骤包括：

步骤1-1，将整个图片数据划分为连续的区间，每个区间包含L张图片；

步骤1-2，每个区间内设置两个连续的窗口w1，窗口w2，其大小分别为n1和n2，窗口w1和窗口w2连接处的图片序号为mid，其中每个窗口包括若干图片，排列顺序为窗口w1、mid、窗口w2，依据设置在窗口w1和窗口w2的图片数量，依次向后移动；

步骤1-3，计算出窗口w1和窗口w2内图像的红色分量的平均值，记为mr1和mr2；mr2/mr1表示红色分量的变化程度，mr2/mr1越大，mid前后图像变化越明显；记录下mid的mr2/mr1值，并把两个窗口以step的步长往后移动；每个mid以同样的方式计算出mr2/mr1，并存储记录；

步骤1-4，每个区间内选择mr2/mr1最大的四个值所对应的序号mid，作为胃肠特征点的候选位置序号。

2.根据权利要求1所述的自动定位体内胃肠特征点的方法，其特征在于，所述步骤2包括：

WLD直方图特征是基于全局特征点的描述子，包括两个参数：差异激励和方向角；提取的WLD直方图特征的步骤为，

步骤2-1，计算差异激励，

I_c是当前像素点的灰度值，I_i是当前点邻域的灰度值，p是邻域大小，ζ(I_c)是当前像素点的差异激励，通常情况下，如果ζ(I_c)是正数，意味着当前点比周围暗，反之，若ζ(I_c)是负数，则说明当前点比周围亮，

改进后的差异激励计算方式则选择了两个邻域的大小，p1和p2，当p＝p1时，计算出的ζ(I_c)权重值为ω₁，当p＝p2时，计算出的ζ(I_c)权重值为ω₂，该过程看作原图经过滤波器f₁和f₂处理，f_ratio1是经过f₁滤波的输出，f_ratio2是f₂的输出，ω₁和ω₂的取值不同，决定着不同的邻域对当前像素点的影响程度不同；

f_ratio＝ω₁×f_ratio1+ω₂×f_ratio2，

另外，将图像的灰度值调整到[1,256]；

步骤2-2，计算方向角，

其中，oc0和oc1是原始图像经过滤波器filter0和filter1处理后的输出，对于一个指定的像素点，oc0＝I₅-I₁；oc0＝I₇-I₃；经过映射m:θ→θ'，θ的值域范围由映射到[0,2π]；

[0,2π]是一个区间，指θ的取值范围在0和2π之间；

θ'＝m(θ)+π，

其中，

进一步将θ'量化为T个主方向角，t为具体主方向角，量化公式为：

和

令T＝8，于是方向角取值由[0,2π]映射为T个主方向角

步骤2-3，获取WLD直方图特征，

利用步骤2-1和2-2计算出的差异激励和方向角得到图片的二维向量表示为{WLD(ζ_j,θ_t)}，其中，图片维数j＝0,1,…N-1,而t＝0,1,…T-1，N是图片的维数序数；为了进一步分类的需要，我们把{WLD(ζ_j,θ_t)}映射为一维向量；首先，将{WLD(ζ_j,θ_t)}按照每个像素点的梯度方向分解成T个子序列H(t)，然后把每个子序列H(t)按照ζ(I_c)的值分为M段；接下来进行直方图统计，形成二维直方图统计矩阵，大小为M*T；按照行把该二维矩阵展开形成一维数组，就得到了最终的WLD直方图特征信息。