[发明专利]一种基于特征融合的超声图像自动分类法

权利要求书

1.一种基于特征融合的超声图像自动分类法，其特征在于：包括如下步骤：

步骤S10、获取超声图像，对所述超声图像进行预处理并生成标准切面；

步骤S20、提取所述标准切面中的图像特征；

步骤S30、对所述图像特征进行归一化处理，得到特征向量；

步骤S40、基于所述特征向量，利用SVM分类器对所述标准切面进行学习和分类；

所述步骤S20具体包括：

步骤S21、利用公式将所述标准切面划分为子块；其中image_i表示所述标准切面的图像区域；i表示所述标准切面的类别，为正整数；j表示所述子块的序号，为正整数；J_j表示所述子块的总数，为正整数；block_ij表示所述子块；

步骤S22、将各所述子块划分为w×w个不重叠的像素块，其中w为正整数；

步骤S23、提取各所述像素块的纹理特征；

步骤S24、将各所述纹理特征进行特征融合，得到所述标准切面的图像特征；

所述步骤S23具体包括：

步骤S231、设定像素点f(i,j)为所述像素块的中心点，以所述中心点为圆心，R为半径，随机选取M个像素点，且

其中表示M个像素点的平均值；R为正数；M为正整数；f_m(i,j)为以所述中心点为圆心的圆内，随机分布的像素点的像素值；m表示以所述中心点为圆心的圆内，随机分布的像素点的序号；

步骤S232、将K个采样点均匀分布在正K边形的顶点处，其中K为大于等于3的正整数，各所述采样点到正K边形的中心距离为R；

计算所述中心点的差分二值化编码：

步骤S233、基于所述差分二值化编码计算改进的局部二值化模式值：

其中s(k)表示所述差分二值化编码第k位的取值，且k为正整数,s(k)的取值为0或1；P表示采样点个数；b_k表示梯度系数，即第k个采样点对应的梯度系数，为正实数，且b_k＝a·G(i,j)；a为正实数，表示缩放系数；

其中G_x(i,j)表示水平方向梯度，G_y(i,j)表示垂直方向梯度；d表示基准参数；f(.)表示图像在该坐标的灰度值；

其中K_d表示将360°平均分为K份，每份的角度大小；α(i,j)表示梯度的方向，且α(i,j)＝arctan[G_y(i,j)/G_x(i,j)]；

步骤S234、对所述改进的局部二值化模式值进行映射，提取各所述像素块的纹理特征：

其中s(.)表示差分二值化编码。

2.如权利要求1所述的一种基于特征融合的超声图像自动分类法，其特征在于：所述步骤S10具体包括：

步骤S11、获取超声图像，利用矩形框选取出所述超声图像的感兴趣区域；

步骤S12、将所述感兴趣区域的大小缩放至预设的大小；

步骤S13、对缩放至预设大小的所述感兴趣区域进行降噪处理；

步骤S14、对降噪处理后的所述感兴趣区域进行锐化处理，进而生成标准切面。

3.如权利要求2所述的一种基于特征融合的超声图像自动分类法，其特征在于：所述步骤S14中，所述对降噪处理后的所述感兴趣区域进行锐化处理具体为：

使用图像锐化算子对降噪处理后的所述感兴趣区域进行锐化处理；

其中k₁表示的缩放系数，k₂表示的缩放系数，λ表示微分计算的基准；

f(.)表示图像在该坐标的灰度值。

4.如权利要求1所述的一种基于特征融合的超声图像自动分类法，其特征在于：所述步骤S24具体为：

将各所述纹理特征的特征向量进行线性组合，再利用主成分分析法降低特征维数，得到所述标准切面的图像特征。

5.如权利要求1所述的一种基于特征融合的超声图像自动分类法，其特征在于：所述步骤S30具体为：

利用公式对所述图像特征进行归一化处理，得到特征向量x_i'；

其中x_i'表示归一化后第i项特征向量，i为正整数；x_i表示未经归一化的第i项图像特征；x_i'和x_i均由E项实数构成，E为正整数；μ表示归一化系数，μ为正实数；表示向量x的二范数，x_e为向量x的第e项，e为正整数。