[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

说明书

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，首先将原始图像进行预处理，提取感兴趣区域，进而从图像数据中提取颜色和纹理特征并融合，构建了测试集和训练集，建立以原子类标嵌入项和Profiles的结构特征约束项的字典学习模型，并将训练集矩阵输入模型进行求解，迭代更新，分别训练出字典和编码系数矩阵，利用训练样本的编码系数矩阵和标记矩阵得到分类器参数；最后，对于测试图像，通过正交匹配追踪算法得到稀疏系数及其预测标签，通过比较重构出的测试集的标签与原测试集的标签，进行多类疾病图像的分类。本发明可以实现肠胃内窥镜不同病变图像的分类；能有效进行内窥镜疾病分类。

技术领域

本发明涉及胃肠内窥镜图像的异常分类技术，特别涉及一种基于原子类标嵌入和profiles局部特征约束的字典学习方法，适用于胃肠镜图像异常检测。

背景技术

越来越多的人遭受胃肠疾病的困扰，内窥镜检查作为胃肠道研究的黄金标准，广泛应用于胃肠的早期检测和辅助治疗，有效降低病发率和死亡率。常规的手持式内镜是一种侵入性的诊断装置，难以准确获取整个胃肠道的情况。与传统的内窥镜检查技术相比，无线胶囊内窥镜作为新的无痛无创的技术，不仅可以完全进入小肠，而且降低了患者的不适感。病人将胶囊内窥镜从口腔吞入，通过胃肠蠕动，以无线方式拍摄彩色图像，平均持续时间约为8小时，然后将这些图像无线传输到连接患者腰部的数据记录设备，供临床医生检查图像并做出诊断。

尽管无线胶囊内镜是一项技术突破，但是经验丰富的临床医生对每个患者产生的大约5万张图像进行分析大约需要2小时。异常图像包括息肉、出血、溃疡等通常占比不到全部图像的5％。此外，异常图像的空间特征(例如形状，纹理，大小以及与周围环境的对比度)会发生变化，因此医生可能很难在所有情况下都可靠地检测出异常。因此，设计一个自动的计算机辅助系统以协助临床医生对异常图像进行分类，减轻医生的负担，提高效率和准确率。

发明内容

大多数无线胶囊内镜异常检测方法仅考虑一种特定的异常，并且现有的多异常分类结果远不能令人满意，为了克服现有技术的无法有效分类的不足，本发明提出一种原子类标嵌入和profiles局部特征约束的字典学习方法，为胃肠镜图像异常进行分类，通过结合多类图像的字典学习、图像特征的稀疏表示和重构的误差对比，构建基于在多类字典下的线性分类器，可以有效实现胃肠内窥镜不同异常图像的分类。

为了解决上述技术问题提出的技术方案如下：

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，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：