專利名稱：一種圖像邊緣近鄰描述特征算子的提取方法
技術領域：
本發(fā)明涉及一種圖像處理方法，具體來說涉及一種圖像邊緣近鄰描述特征算子的 提取方法。
背景技術：
圖像特征提取是圖像識別的關鍵步驟，圖像特征提取的效果直接決定著圖像識別 的效果。如何從原始圖像中提取具有較強表示能力的圖像特征是智能圖像處理的一個研究執(zhí)占。圖像分割、配準、檢索等圖像處理技術通常使用低級特征(如顏色、紋理，形狀)來 描述圖像。顏色(灰度)直方圖是實踐中最常用的圖像統(tǒng)計特征。大多數(shù)醫(yī)學圖像都是灰 度圖像，這時顏色信息將無法采用。紋理特征是表示圖像的另一種重要的視覺特征，紋理結(jié) 構(gòu)反映圖像亮度的空間變化情況，具有局部與整體的自相似性。紋理是由紋理基元按某種 確定的規(guī)律或統(tǒng)計規(guī)律排列而形成的局部結(jié)構(gòu)化特征，在紋理區(qū)域內(nèi)各部分具有大致相同 的結(jié)構(gòu)。提取紋理特征的一些方法有共生矩陣法、Tamura紋理特征、Gabor濾波法及小波方 法等。盡管紋理是計算機視覺和圖像處理領域中一個重要的研究內(nèi)容，但由于紋理具有廣 泛性和多樣性，因而對紋理還沒有一個大家都能接受的精確定義。相對于顏色或紋理等低層形狀特征而言，形狀特征屬于圖像的中間層特征，它作 為刻畫圖像中物體和區(qū)域特點的重要特征，是描述高層視覺特征(如目標、對象)的重要手 段。形狀是特征提取研究中另一個常用的特征。表述形狀特征的方法主要有不變矩方法、 傅立葉方法、方向直方圖、方向共生矩陣和小波變換方法等。形狀度量方法不具有良好的形 狀區(qū)分能力，不能有效的表達形狀之間的相似性。圖像邊緣是指圖像灰度發(fā)生空間突變或者在梯度方向上發(fā)生突變的像素的集合， 它往往是由圖像中景物的物理特性發(fā)生變化而引起的，是圖像的基本低層特征之一。腫瘤 在人腦中位置、大小和形狀的變化較大，不同種類的腫瘤在MRI圖像中呈現(xiàn)的灰度差異很 大，在MRI圖像中腫瘤和正常腦組織的灰度概率密度分布會有重疊，同時伴有占位效應或 滲透效應.灌注對比劑后腫瘤的不同部分可能獲得不同程度的增強，腫瘤周圍可能出現(xiàn)水 腫。因此，需要一種新的特征來描述腫瘤邊緣處的灰度變化。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種圖像邊緣近鄰描述特征算子的提取方法，本方法實現(xiàn) 了對一種新的圖像特征——邊緣近鄰描述特征算子的提取方法，該特征算子能夠體現(xiàn)目標 圖像的邊緣鄰域灰度變化情況，可廣泛用于圖像配準、分割、檢索等領域。本發(fā)明的目的可通過以下的技術措施來實現(xiàn)一種圖像邊緣近鄰描述特征算子的提取方法，包括以下步驟(1)分割訓練集中每幅圖像的病灶區(qū)域；(2)對每幅圖像的病灶區(qū)域的邊緣進行采樣，得到所有采樣點特征形成的矩陣作
3為原始的高維特征空間；(3)壓縮原始的高維特征空間的維數(shù)，得到低維特征空間；(4)在低維空間進行聚類，獲得低維空間的聚類中心；(5)對一幅新圖像重復步驟(1)、(2)、(3)的操作，得到低維特征矩陣，將低維特征 矩陣的每一列看作是一個樣本，統(tǒng)計所有樣本點落在每個聚類中心的個數(shù)，并將個數(shù)值排 列作為一個向量，則所述向量即為所述新圖像的邊緣近鄰描述特征算子。所述步驟(1)中訓練集由已知病灶類型的醫(yī)學圖像組成，已知病灶類型的醫(yī)學圖 像的數(shù)量的取值范圍為100至500幅。所述步驟(2)中的采樣點的選取過程為對每幅圖像的病灶邊緣點均勻采樣，選 取η個采樣本點，對每個采樣本點分別沿垂直于邊緣的方向向內(nèi)和向外再各取m個像素點， 從而每幅圖像得到大小為(2m+l)*n個采樣點并形成(2m+l) Xn的矩陣，則整個訓練集中得 到大小為(2m+l) Xn*i的矩陣，其中i為訓練集中圖像數(shù)量，作為原始的高維特征空間。所述步驟(3)中將原始的特征向量維數(shù)采用主成分分析的方法由高維特征空間 降至低維特征空間。所述步驟(4)中將每幅圖像的降維矩陣看作由該降維矩陣的列數(shù)個樣本點所構(gòu) 成的數(shù)據(jù)集，利用C均值方法對該矩陣進行聚類。所述聚類數(shù)取值為j，得到j個聚類中心，則統(tǒng)計出一個j維的向量作為邊緣近鄰 描述特征算子，j的范圍是16至64。本發(fā)明方法相對于現(xiàn)有技術來說，具有以下的有益效果本方法主要提出邊緣近 鄰描述特征算子的圖像特征，該圖像特征能夠體現(xiàn)目標圖像的邊緣鄰域灰度變化情況，特 別運用于描述腫瘤邊緣的灰度變化情況。同時，本方法還提供了該特征算子的提取方法，使 得本方法可廣泛用于圖像配準、分割、檢索等領域。


圖1是本發(fā)明的邊緣近鄰描述特征算子的提取方法的流程圖；圖2是一幅圖像的病灶邊緣采樣點示意圖。
具體實施例方式圖1示出了本發(fā)明的圖像邊緣近鄰描述特征算子的提取方法的具體流程，步驟如 下(1)取已知病灶類型的醫(yī)學圖像組成訓練集，分割出訓練集中每幅圖像的病灶區(qū) 域；訓練集中已知病灶類型的醫(yī)學圖像的數(shù)量的取值范圍為100至500幅。(2)對每幅圖像的病灶區(qū)域的邊緣進行采樣，得到所有采樣點特征形成的矩陣作 為原始的高維特征空間；采樣點的選取過程為對每幅圖像的病灶邊緣點均勻采樣，選取η 個采樣本點，對每個采樣本點分別沿垂直于邊緣的方向向內(nèi)和向外再各取m個像素點，從 而每幅圖像得到大小為(2m+l)*n個采樣點并形成(2m+l) Xn的矩陣，則整個訓練集中得到 大小為(2m+l) Xn*i的矩陣，其中i為訓練集中圖像數(shù)量，作為原始的高維特征空間。(3)采用主成分分析的方法壓縮原始的高維特征空間的維數(shù)，得到低維特征空間； 直接對訓練集提取得到的特征具有一定的冗余性，是一種高維特征，而經(jīng)降維后可以減少
4這種冗余性，因此需要對高維矩陣降維得到低維矩陣。(4)在低維空間進行聚類，獲得低維空間的聚類中心；(5)對一幅新圖像重復步驟⑴、(2)、(3)的操作，得到低維特征矩陣，將低維特征 矩陣的每一列看作是一個樣本，統(tǒng)計所有樣本點落在每個聚類中心的個數(shù)，并將個數(shù)值排 列作為一個向量，則所述向量即為所述新圖像的邊緣近鄰描述特征算子。每幅圖像的降維 矩陣看作由該降維矩陣的列數(shù)個樣本點所構(gòu)成的數(shù)據(jù)集，利用C均值方法對該矩陣進行聚 類。聚類數(shù)取值為j，得到j個聚類中心，則統(tǒng)計出一個j維的向量作為邊緣近鄰描述特征 算子，j的范圍是16至64。下面針對一個具體實施方式
詳細闡述本發(fā)明的工作流程步驟1，取200幅含有腦膜瘤的腦部磁共振圖像作為訓練集，分割出訓練集中每幅 圖像的病灶區(qū)域。步驟2，如圖2所示，對每幅圖像的病灶邊緣點進行均勻采樣，選取100個樣本點， 分別沿垂直于邊緣的方向向內(nèi)和向外各取10個像素點，從而每幅圖像得到大小為21 X 100 的矩陣，200幅訓練集圖像可得到大小為21X20000的矩陣，即獲得原始的高維特征空間。步驟3，本發(fā)明將原始的特征向量維數(shù)利用主成分分析的方法由21維降至4維，即 得到大小為4X20000的降維矩陣。步驟4，將降維矩陣看作由20000個樣本點構(gòu)成的數(shù)據(jù)集，利用C均值等聚類方法 對其進行聚類，聚類數(shù)為32，從而得到32個聚類中心。步驟5，對一幅新的圖像重復步驟1，2，3的操作。分割出該幅新圖像的病灶區(qū)域； 對新圖像的病灶邊緣點進行均勻采樣，選取100個樣本點，分別沿垂直于邊緣的方向向內(nèi) 和向外各取10個像素點，從而每幅圖像得到大小為21X100的矩陣；將特征向量維數(shù)利用 主成分分析的方法由21維降至4維，得到4X100的降維矩陣；將其看作由實100個樣本 點構(gòu)成的數(shù)據(jù)集，統(tǒng)計它們落在步驟(4)中32個聚類中心的個數(shù)，從而得到一個32維的向 量，即為邊緣近鄰描述特征算子。本發(fā)明的實施方式不限于此，上述訓練集中圖像的數(shù)量、采樣點的數(shù)量、矩陣的維 數(shù)，都可以根據(jù)實際需要進行選取，以適應不同的實際需求，因此，在本發(fā)明上述基本技術 思想前提下，按照本領域的普通技術知識和慣用手段對本發(fā)明內(nèi)容所做出其它多種形式的 修改、替換或變更，均落在本發(fā)明權利保護范圍之內(nèi)。
權利要求
1.一種圖像邊緣近鄰描述特征算子的提取方法，其特征在于包括以下步驟(1)分割訓練集中每幅圖像的病灶區(qū)域；(2)對每幅圖像的病灶區(qū)域的邊緣進行采樣，得到所有采樣點特征形成的矩陣作為原 始的高維特征空間；(3)壓縮原始的高維特征空間的維數(shù)，得到低維特征空間；(4)在低維空間進行聚類，獲得低維空間的聚類中心；(5)對一幅新圖像重復步驟(1)、(2)、(3)的操作，得到低維特征矩陣，將低維特征矩陣 的每一列看作是一個樣本，統(tǒng)計所有樣本點落在每個聚類中心的個數(shù)，并將個數(shù)值排列作 為一個向量，則所述向量即為所述新圖像的邊緣近鄰描述特征算子。
2.根據(jù)權利要求1所述的圖像邊緣近鄰描述特征算子的提取方法，其特征在于所述 步驟(1)中訓練集由已知病灶類型的醫(yī)學圖像組成，已知病灶類型的醫(yī)學圖像的數(shù)量的取 值范圍為100至500幅。
3.根據(jù)權利要求1所述的圖像邊緣近鄰描述特征算子的提取方法，其特征在于所述 步驟(2)中的采樣點的選取過程為對每幅圖像的病灶邊緣點均勻采樣，選取η個采樣本 點，對每個采樣本點分別沿垂直于邊緣的方向向內(nèi)和向外再各取m個像素點，從而每幅圖 像得到大小為(2m+l)*n個采樣點并形成(2m+l) Xn的矩陣，則整個訓練集中得到大小為 (2m+l) Xn*i的矩陣，其中i為訓練集中圖像數(shù)量，作為原始的高維特征空間。
4.根據(jù)權利要求1所述的圖像邊緣近鄰描述特征算子的提取方法，其特征在于所述 步驟(3)中將原始的特征向量維數(shù)采用主成分分析的方法由高維特征空間降至低維特征 空間。
5.根據(jù)權利要求1所述的圖像邊緣近鄰描述特征算子的提取方法，其特征在于所述 步驟(4)中將每幅圖像的降維矩陣看作由該降維矩陣的列數(shù)個樣本點所構(gòu)成的數(shù)據(jù)集，利 用C均值方法對該矩陣進行聚類。
6.根據(jù)權利要求1或5所述的圖像邊緣近鄰描述特征算子的提取方法，其特征在于 所述聚類數(shù)取值為j，得到j個聚類中心，則統(tǒng)計出一個j維的向量作為邊緣近鄰描述特征 算子，j的范圍是16至64。
全文摘要
本發(fā)明公開了一種邊緣近鄰描述特征算子的提取方法，包括以下步驟(1)取醫(yī)學圖像組成訓練集，分割訓練集中每幅圖像的病灶區(qū)域；(2)對每幅圖像的病灶區(qū)域的邊緣進行采樣，得到所有采樣點特征形成的矩陣作為原始的高維特征空間；(3)壓縮原始的高維特征空間的維數(shù)，得到低維特征空間；(4)在低維空間進行聚類，獲得低維空間的聚類中心；(5)將低維特征矩陣的每一列看作是一個樣本，統(tǒng)計所有樣本點落在每個聚類中心的個數(shù)，則個數(shù)值排列即為新圖像的邊緣近鄰描述特征算子。本方法實現(xiàn)了對一種新的圖像特征——邊緣近鄰描述特征算子的提取方法，該特征算子體現(xiàn)了目標圖像的邊緣鄰域灰度變化情況，可廣泛用于圖像配準、分割、檢索等領域。
文檔編號G06K9/46GK102004917SQ20101059386
公開日2011年4月6日 申請日期2010年12月17日 優(yōu)先權日2010年12月17日
發(fā)明者馮前進, 盧振泰, 陽維, 陳武凡 申請人:南方醫(yī)科大學