[发明专利]一种基于多尺度语义特征的慢性静脉疾病图像分类方法

说明书

本发明公开了一种基于多尺度语义特征的慢性静脉疾病图像分类方法，包括：对待测慢性静脉疾病图像进行多尺度划分，在每个尺度上，利用每个尺度对应的概念分类器对图像块进行分类，得到待测慢性静脉疾病图像中的每个图像块的概念类别；将每个尺度上每个概念类别出现的频率作为全局表示特征，将每个尺度上的全局表示特征串联得到待测慢性静脉疾病图像的多尺度语义表示；基于高阶相关性的特征选择法从多尺度语义表示中获取对分类结果区分性能最优的特征子集，将特征子集输入场景分类器，得到待测慢性静脉疾病图像的分类结果。本发明的分类结果准确率高、可靠性强。

技术领域

本发明属于基于人工智能的医学图像分类领域，更具体地，涉及一种基于多尺度语义特征的慢性静脉疾病图像分类方法。

背景技术

随着现代医学影像技术的迅速发展，自动医学影像分类在医学领域发挥着极其重要的作用。各种机器学习方法包括支持向量机(SVM)、深度学习、贝叶斯网络、基于规则的分类方法、决策级融合等用于构建医学图像的自动分类模式。然而，这些传统的医学图像分类方法大多基于低层次的图像特征，如颜色、纹理、形状等构建。这些低层次的图像特征不能反映医学图像中某些隐藏的、高级的、更具区分性的信息，进而造成了低层次特征与高级语义信息之间的“语义鸿沟”问题。这是医学图像自动分类中最大的挑战之一。

为了解决图像分类中的语义鸿沟问题，一般采用基于视觉词袋模型构建的中级语义特征来描述高级语义信息。然而，基于视觉词袋的医学图像分类过程中，图像局部特征提取、字典学习、图像特征描述等都是开放性的问题。(1)尽管包括基于SIFT的局部特征、基于图像块的灰度特征等已经被用于视觉词袋模型，然而，如果图像背景复杂、噪声严重，那么这些单个局部特征的区分性能可能会很差。如何构建区分性更强的局部特征，是建立医学图像自动分类方法的关键问题之一。(2)虽然可以通过非监督学习(K-means等)或者监督学习(pLSA、高斯混合模型等)等方法构建字典，但是，现有的方法均是直接利用全局的监督信息，而忽略了局部的标记信息。如何利用局部标记信息构建区分能力强的字典，是建立医学图像自动分类方法的关键问题之二。(3)在获得视觉字典(visual words)之后，如何对局部特征进行编码，建立图像的整体描述，是视觉词袋模型的关键问题之三。一般的局部特征编码方法并没有统筹考虑空间信息、尺度信息以及语义信息。

由此可见，现有技术存在单个局部特征的区分性能很差、忽略局部标记信息、没有统筹考虑空间信息、尺度信息以及语义信息的技术问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于多尺度语义特征的慢性静脉疾病图像分类方法，由此解决现有技术存在单个局部特征的区分性能很差、忽略局部标记信息、没有统筹考虑空间信息、尺度信息以及语义信息的技术问题。

为实现上述目的，本发明提供了一种基于多尺度语义特征的慢性静脉疾病图像分类方法，包括：

(1)对待测慢性静脉疾病图像进行多尺度划分，在每个尺度上，利用每个尺度对应的概念分类器对待测慢性静脉疾病图像中的图像块进行分类，得到待测慢性静脉疾病图像中的每个图像块的概念类别；

(2)将每个尺度上每个概念类别出现的频率作为待测慢性静脉疾病图像的全局表示特征，将待测慢性静脉疾病图像在每个尺度上的全局表示特征串联，得到待测慢性静脉疾病图像的多尺度语义表示；

(3)基于高阶相关性的特征选择法从待测慢性静脉疾病图像的多尺度语义表示中获取对分类结果区分性能最优的特征子集，将特征子集输入场景分类器，得到待测慢性静脉疾病图像的分类结果。

进一步地，概念分类器的训练包括：

对样本图像依次进行预处理、图像分块和多尺度划分，在每个尺度上，提取样本图像的低层次特征，然后根据概念类别对样本图像的图像块进行标记，得到样本训练集，基于高阶相关性的特征选择法从样本训练集中选择对概念类别区分性能最优的样本特征子集；利用每个尺度下的样本特征子集训练支持向量机模型，得到每个尺度对应的概念分类器。