[发明专利]基于LBP和小波矩融合特征的肺癌图像精细分类方法

说明书

本发明公开一种基于LBP和小波矩融合特征的肺癌图像精细分类方法，该方法包括以下步骤：步骤一、对输入图像进行病灶定位。步骤二、病灶部位随机生成大量模板。步骤三、输入图像进行不同尺度缩放，分别对图像块与模板块进行纹理特征MB‑LBP与形状特征小波矩的提取，通过实验调整权重参数融合两种特征。步骤四、图像不同位置匹配，得到特征响应图。步骤五、使用改进的均值空间金字塔模型将响应图转化成特征向量。步骤六、利用支持向量机实现精细分类。本发明提出的算法，是精细分类思想在医学领域的尝试，减少冗余模板的产生；LBP纹理特征与小波矩特征的融合良好的表示肺癌图像信息；金字塔模型抽取特征保留了有力的特征，提高识别精度。

技术领域

本发明涉及图像特征提取及图像分类

背景技术

近年来，肺癌已经成为危害人类生命健康的一种主要疾病。在肺癌诊断治疗中，医疗影像分析是辅助诊断肺癌的主要手段之一。目前针对肺癌的图像分类已经取得一定的成果。但临床实践表明，如果能根据医疗影像数据的辅助将肺癌进一步区分为小细胞肺癌，鳞肺癌，腺肺癌，细支气管肺泡癌等不同的类型会对后续治疗有更为实际的意义。而现有的普通图像分类技术，无法自动化实现这种精细分类。针对肺癌的医学图像精细图像分类研究尚未见报道。因此本发明提出一种肺癌图像的精细分类方法，实现肺癌图像的精细分类。

精细图像分类是指区分具有相同基本层类别，或具有相似形状和视觉表观等的对象。例如，区分不同种类的飞机、花类、鸟类等。近年来，由于计算机技术及人工智能技术的飞速发展，为图像精细分类的发展提供了理论与技术上的支持。由于精细图像分类在生态环境监控、食品监控、地质勘探、材料分析及刑事侦查等领域具有广泛的应用前景和实用价值，因此越来越受到计算机视觉领域研究者的广泛关注。但是将图像精细分类在医学领域应用的研究还比较少。

目前主要的图像分类算法有基于码书的图像分类算法和基于释文的图像分类算法。基于码书的图像精细分类算法是指将局部图像块特征映射成视觉单词，将这些视觉单词放在一起形成视觉词袋，输入图像与视觉词袋中的特征进行匹配来实现分类。基于码书的图像分类在以往的图像分类算法中属于最先进的一种。但是，这种“词典”通常用非监督方法进行构建，当被检测的区域映射成“词典词条”形式时，很多细节信息很容易被丢失。基于人工注释的图像分类算法是指在分类的过程中，为待分类图像进行人工标注，通过手动标注的信息来实现分类。基于释文的方法在很大程度上弥补了基于码本方法的不足，而且识别效果也非常好，在很多分类中显示出令人振奋的优良效果，但是巨大的人工成本使其发展受到了很大的限制。因此，我们在无需码本与释文的快速模板匹配框架下，提出融合LBP(Local Binary Pattern)纹理特征和小波矩形状特征的肺癌图像精细分类方法。

综上所述，我们提出的肺癌图像精细分类方法，将纹理特征与形状特征融合，通过分配两种特征的权重，用融合特征进行模板匹配。匹配结果表示成特征响应图的形式，再通过改进的均值空间金字塔模型，从特征响应图中抽取有用特征，进行分类训练。我们的方法实现简单，避免传统方法的缺点，有效提高识别精度。

发明内容：

为解决现存图像精细分类在医学领域研究匮乏，以及传统的图像分类方法无法有效的应用在图像精细分类中的问题。本发明提出了一种基于LBP和小波矩融合特征的肺癌图像精细分类算法。发明内容主要包括：定位病灶后随机模板的生成，基于权重分配的MB-LBP纹理特征和小波矩形状特征的融合，用改进的均值空间金字塔模型从特征响应图中抽取特征，以及精细图像分类思想在医学图像的应用。

一种基于LBP和小波矩融合特征的肺癌图像精细分类方法，其特征在于：至少包括以下步骤：

步骤一、使用基于灰度变化的病灶区域检测方法对原始输入图像进行病灶定位。

步骤二、将定位后的病灶部分随机生成大量尺度不一的模板。经过前一步的病灶定位，有效地将模板块的产生部位限制在病灶部位，从而减少了冗余模板的产生。每一个样本都随机产生大量的图像块作为图像的模板。