[发明专利]一种基于局部特征和类标嵌入约束字典学习的胃肠镜图像异常检测方法

权利要求书

1.一种基于局部特征和类标嵌入约束字典学习的胃肠镜图像异常检测方法，其特征在于，所述方法包括如下步骤：

步骤1：获取内窥镜图像集，由息肉、溃疡和正常图像组成；

步骤2：图像预处理：提取出整张内窥镜图像的组织区，无效区域生成掩模，剔除质量较低的图像；

步骤3：图像颜色特征提取：在HSI颜色空间下，通过颜色直方图的方法，提取图像的颜色特征；

步骤4：图像纹理特征提取：在HSI颜色空间下，采用尺度不变特征变换算子提取图像的纹理特征；

步骤5：图像特征融合：将图像的颜色和纹理特征进行融合并归一化；

步骤6：利用K-SVD算法初始化字典和编码系数矩阵，其模型表达式为：

其中Y＝[Y₁,…,Y_C]＝[y₁,y₂,…,y_n]∈R^m×n表示训练样本个数为n的训练数据集，m是训练样本的维数，C是训练样本的类别，Y_i是一个由第i类训练样本组成的矩阵；D＝[d₁,d₂,…,d_K]^T∈R^m×K表示字典，K是原子个数，d_i是字典D的第i个原子，X＝[x₁,x₂,…x_n]^T∈R^K×n是编码系数矩阵，x_i＝[x_1i,x_2i,…,x_Ki]^T是第i个训练样本y_i对应于字典D的编码系数，T₀是稀疏因子，||x||₀表示0范数，其值表示系数矢量x中的非零元素个数，||x||₂表示2范数，其值表示系数矢量x中各个元素的平方和；求解出初始化字典D₀＝[D₁,D₂,…,D_C]和初始化编码系数矩阵X₀＝[X₁,X₂,…,X_C]；

步骤7：根据步骤6所述，引入了原子类标嵌入项和Profiles的结构特征约束项，内窥镜图像分类的字典模型表达式：

其中表示字典的重构性能，是编码系数的正则项，λ，α和β是标量参数；

7.1原子类标嵌入项模型构造：

针对第i类训练样本，利用K-SVD算法学习一个特定类字典D_i，因此C类训练样本学习得到特定类字典D₀＝[D₁,D₂,…D_C]，字典D₀包含C类原子；如果原子d_i∈D_i，则原子d_i的类标定义为b_i＝[0,0,…,0,1,0,…,0]∈R^C，b_i中的第i个元素为1，其余均为零，因此字典D中的原子类标矩阵B定义为B＝[b₁,b₂,…,b_k]^T∈R^k×C；字典的权重类标矩阵H定义为利用编码系数矩阵X^T和原子权重类标矩阵H构造如下的类标嵌入项：

7.2Profiles的结构特征约束项模型构造：

字典学习中编码系数矩阵的每个行向量定义为一个profile，定义P＝X^T，则P＝[p₁,p₂,…,p_k]∈R^n×K，其中p_i＝[x_i1,…,x_in]^T，原子d_i对应的profile为p_i，为了提高编码系数的判别性能，构造了利用profiles的结构特征结合原子设计判别式，利用P矩阵构造一个近邻图M，每个p_i表示一个顶点；近邻图M的权重矩阵W计算如下：

其中ε是参数，kNN(p_i)表示p_i的K近邻，w_i,j是p_i和p_j的权重，反映了它们之间的相似性，为了更好地反映p_i和p_j之间的结构特征，构造了基于profiles特征的拉普拉斯图L如下：

设计了基于profiles特征的判别式如下：

步骤8：字典模型优化：

8.1字典D的求解更新：

假设目标函数中的编码系数矩阵X，拉普拉斯图L和矩阵U是常量，则公式(2)转换为公式(7)

利用拉格朗日函数进行求解，获得最优字典D：

D＝YX^T(XX^T+βL+ηI) (8)

其中η是参数，I是单位矩阵；

8.2编码系数矩阵X的求解更新：

假设目标函数中字典D，拉普拉斯图L和矩阵U是常量，公式(2)转换为：

公式(10)直接求导得到最优的编码系数矩阵X：

X＝(D^TD+αU+γI)^-1D^TY (10)

其中γ是参数，一旦获得编码系数，根据公式(3)得到矩阵U，根据公式(5)得到拉普拉斯图L；

步骤9：构建线性分类器：首先，利用训练样本的编码系数矩阵X和标记矩阵H得到分类器参数G_x:

G_x＝HX^T(XX^T+Ι)^-1 (11)

其次，对于测试图像通过正交匹配追踪算法计算出编码系数向量和字典D，通过计算得到一个预测标签向量l_x，最后，测试样本的类别是预测标签向量l_x的最大元素值所对应的索引。