基于分类器技术的白内障组织图像去噪方法

李爱丽，田雯迩，涂序彦，郑雪峰

（北京科技大学 信息工程学院，北京100083）

0 引 言

我国白内障患者人数众多，目前治疗采用的主要手段是超声乳化抽吸术。在该手术实施过程中存在自动化程度不高，需要过分依赖手术医师技术水平等弊端。因此急需要研究根据视频图像等信息自动识别白内障组织及其硬度的方法，并对白内障组织进行智能分类。

一般来讲，在对白内障组织的图像进行去噪时主要实现以下两个目的：

（1）能够区分白内障和正常眼组织，以避免手术过程中伤及眼内正常组织；

（2）能够区分白内障硬度级别。

两者的设计与实现过程类似，不同之处在于对于特征的选择与提取，前者需要选择能够区分正常与病变组织的特征，后者则需要选择能够区分晶状体硬度的特征。根据图像的特征，利用设计好的分类器实现对组织图像的识别。

1 图像特征提取方法与分类器技术介绍

特征提取的定义请参见文献 ［1，2］。常用的图像特征包括纹理特征、颜色特征、形状特征、空间关系特征。

图像的重要视觉特征之一就是颜色，相对明确，提取也比较容易，在图像检索中应用较早效果也比较好［3］。

纹理是所有事物表面固有的一种特性，纹理从侧面反映了不同事物的本身属性。在图像处理中，可用利用纹理特征对图像空间信息进行一定程度的定量描述［4］。基于纹理特征检索的定义请参见文献 ［5］。

本文在对图像特征的提取上，采用了颜色特征和纹理特征，并在此基础之上提出了一种新的图像特征提取方法。

分类器是一种机器学习程序，分类器根据所提取的特征完成对目标的识别任务。分类器的设计在图像去噪问题中是十分关键的问题。目前已有多种分类算法应用于实际，如最小距离法、线性分类器、最近邻法、人工神经网络和支持向量机等［6］。

结合实际需要，本文主要采取以下两种算法。

最近邻法。最近邻法是一种很直观的分类方法，其基本思想就是在训练集中找到一个和待识别目标距离最小的样本，以它所属的类别作为识别结果。

最近邻法是一种很直观的分类方法，其基本思想就是在训练集中找到一个和待识别目标距离最小的样本，以它所属的类别作为识别结果。该算法简单可靠，是非参数法的一种代表性算法。

设模式类别有C个ω1，ω2，…，ωc，每个类别具有与之对应的训练样本Ni个，i＝1，2，…，C。所有样本都是最近邻分类器的代表点，未知样本X则判断为与其最近的样品，所以样本平均矢量偏差造成的影响能够在一定程度上得以克服［7］。设ωi类的判别函数为

则判X∈ωj

支持向量机算法 （support vector machine，SVM）。这一算法是Vapnik等人在统计学习理论的VC维理论和结构风险最小化原则基础上提出的一种新的机器学习方法［8］。根据有限样本信息，在复杂性和学习能力之间寻求最佳折中，以获得更好的泛化能力。目前已经成为机器学习的热点，成功的应用于分类和回归问题。

2 白内障组织图像去噪方法

对白内障组织图像去噪的重点在于：①区分白内障组织和正常眼组织；②判定白内障组织硬度级别。对于这两个要点的设计与实现过程类似，不同之处在于对于图像特征的选择与提取。

能正确区分正常组织与白内障组织是对白内障组织图像进行去噪的核心环节。

2.1 区分白内障组织的特征提取方法

提取白内障组织的颜色特征，本系统采用HSV （hue，saturation，value）颜色模型，即色调、饱和度、亮度颜色模型，因其较符合人眼视觉特征。方法是先对图像进行RGB到HSV的转换，然后根据人眼对颜色的感知特性，对HSV颜色空间进行63级非均匀量化

量化结果是一维特征向量，可以压缩颜色特征。颜色特征可以表示为c＝ ［c0，c1，c2…c62］。

在白内障组织纹理特征处理上，本系统采用灰度共生矩阵方法。纹理是由某些灰度反复在空间位置上出现形成的，因此在图像空间中间隔一定距离的两象素间会存在一定的灰度关系，即图像中灰度的空间相关性。灰度共生矩阵方法所需的4个特征量分别为：反差 （CON）、能量（ASM）、熵 （ENT）、相关 （COR）。分别构造多个角度方向的共生矩阵并计算上述4个特征量，最后用其均值和标准差作为纹理特征，可表示为t＝ ［t0，t1，t2…t7］。

根据白内障核块和眼正常组织颜色特征的差异，本文提出了一种用于白内障核块和眼正常组织的新的特征表达方法。

这种特征表达方法分为以下四个步骤：子图像划分；特征提取；生成特征矩阵；特征矩阵向量化。

子图像划分。如图1所示，对于一幅待分类的图像，沿水平方向和垂直方向对其进行划分。经过划分，该图像被分成M×N个大小相等的子图像。

图1 图像划分

特征提取。经过上步子图像划分，一幅图像I被划分成一个新的集合，该集合可以表示为：I＝ ｛S11，S12，…，SMN｝，其中，元素Sij（i＝1，2，…，M；j＝1，2，…，N）就是图像I经子图形划分中所描述的方法划分得到的每一个子图像块。

对于每一个子图像块Sij，我们提出了一种新的方法用于表达其颜色特征。假设图像块Sij高m像素，宽n像素，我们用该图像块在R，G，B颜色通道上的颜色值之和的平均值作为Sij的颜色特征。求图像块Sij的R，G，B颜色通道上的颜色值和的平均值的过程可以表示为公式

其中，rij、gij、bij是Sij的每个像素点分别在R，G，B颜色通道上的颜色值。这样，字图像块Sij就可以表示成一个三元组

生成特征矩阵。经过子图像划分和特征提取，一幅图像I可以表示成如下矩阵

其中，每一个元素tij＝ （i＝1，2，…，M；j＝1，2，…，N）都是一个三元组。称公式中的矩阵MI为图像I的颜色特征矩阵。

特征矩阵向量化。根据特征矩阵MI，图像I可以表示成如下的特征向量：VI＝ （t1，t2，…，tM），其中，元素tI（i＝1，2，…，M）对应特征矩阵的第i行。

晶状体硬度级别的识别，直接决定了手术中所需能量的大小。只有准确地识别晶状体的硬度，才能控制能量的释放，使得探头所发出的能量恰好能够实现对晶状体核块的乳化和抽吸，而不会有多余的能量伤及正常组织，或者能量不足导致乳化不充分。

2.2 判断白内障组织硬度的特征提取方法

在颜色特征的描述方法中，颜色直方图应用最广。颜色直方图反映的是图像中颜色的组成分布，即出现了哪些颜色以及各种颜色出现的概率。其函数表达式如下

式中：k——此图像的特征值，L——特征可取值的数量，nk——此图像中具有k特征值的像素的数量，N——此图像的像素总数。

颜色直方图表示待分类白内障组织的颜色特征。考虑RGB颜色空间内待分类的白内障组织。该特征提取过程分别在图像的R、G、B这3个颜色通道进行，最后得到一个三维的颜色直方图，即图像的R、G、B颜色通道的直方图。颜色直方图如图2（左侧图片原为彩色）所示。

系统根据图像的特征，利用设计好的分类器实现对组织图像的识别。

2.3 分类器算法设计

k近邻准则是最近邻准则的一个推广。最为一种非参数的分类准则，k近邻准则是一种重要的数据分类工具。k近邻准则就是把一个待分类模式分为与它最接近的k个近邻中出现最多的那个类别。对于白内障识别，就是把一幅待分类的白内障图像归为和它最接近的k个图像中出现类别最多的那个类别。k近邻对图像的分类流程如图3所示。

图2 图像的直方图

图3 K近邻对图像的分类流程

支持向量机算法。SVM对图像的分类流程如图4所示。

3 实验结果

3.1 区分白内障组织的实验结果

实验1实验图像来自于某医院提供的手术视频截图，对眼内组织的不同部位的图像进行截取，经过规一化后每幅图像尺寸为50 （pix）×50（pix）。

图4 SVM对图像的分类流程

实验训练库大小为：100（正常组织）＋100（白内障组织），测试库大小：30（正常组织）＋30（白内障组织）。

特征采用颜色特征和纹理特征，分类器采用最近邻分类器，实验结果如表1所示。

表1 实验结果

从表1可以看出，当采用颜色单特征时白内障和正常组织的识别率达到了0.97和0.93，但采用纹理单特征时其识别率仅为0.6和0.5。当颜色纹理权值比值达到9：1时，识别效果最好，分别达到了1和0.97。

实验2图像数据获取方式与预处理过程与实验1相同，只是获取时间不同，实验平台为 Matlab 7.0.4、Windows XP（sp3）。

实验训练库大小为：94（正常组织）＋555（白内障组织），测试库大小：91（正常组织）＋556（白内障组织）。

特征提取方法：颜色特征、新特征提取方法；分类器方法：k近邻分类器，k取值5；SVM分类器。

采用上述方法与系统对白内障和正常组织的识别率如表2所示。

表2 白内障和正常组织的识别率 单位：%

基于以上实验结果，SVM分类器对白内障与正常组织的分类效果高于最近邻分类器，但SVM分类器运算复杂，需要大量的训练样本和测试样本。

3.2 判断白内障组织硬度的实验结果

依据前述分类标准，建立了训练库和测试库。所有图像均取自北京某医院眼科中心的实时白内障超声乳化术录像。

图像库分成两个：训练库和测试库。训练库共包含649幅图片，测试库共包含647幅图片，图片如图5所示 （图片原为彩色）。表3给出了训练库和测试库的具体构成情况。

图5 实验图片

表3 实验图片数目列表 单位：幅

实验平台：Matlab 7.0.4、Windows XP （sp3）；分类器：k近邻分类器，k取值5；SVM分类器特征。提取方法：颜色特征提取方法、新特征提取方法。

对白内障硬度的识别率：采用上述方法与系统对白内障硬度的识别率如表4所示。

表4 白内障硬度级别识别率 单位：%

基于以上实验结果，SVM分类器对白内障组织图像的识别率高于最近邻分类器，但SVM分类器运算复杂，需要大量的训练样本和测试样本。

4 方法的意义和主要作用

本文基于分类器技术的白内障组织图像去噪方法提出了一种新的特征表达和提取方法；利用近邻规则和支持向量机方法实现了对白内障的高精度识别；提出了改进决策的模板方法，并融合了多分类器识别结果。

5 结束语

本文在传统的特征提取方法上提出了一种新的图像特征提取方法，并基于近邻分类器和SVM分类器技术对白内障手术图像信息自动识别，甄别白内障组织及硬度，试验发现SVM分类器对白内障组织、正常组织和白内障硬度的识别分别达到95.68%、99.5%和96.29%。本技术成果在白内障手术智能分析领域属国际领先，所属课题——高效智能化微创白内障治疗系统研制［10］已通过国家科技部验收。

［1］SHI Yuying.Modern cataract treatment ［M］.Beijing：People＇s Medical Publishing House，2006 （in Chinese）. ［施玉英.现代白内障治疗 ［M］.北京：人民卫生出版社，2006.］

［2］QI Baoying.Enhancing line detection efficiency by using hough transform ［J］.Computer Systems ＆ Applications，2012，21（6）：228－231 （in Chinese）. ［祁宝英.运用 Hough变换提高直线 检 测 效 率 ［J］.计 算 机 系 统 应 用，2012，21 （6）：228－231.］

［3］AN Lei.Image－based three－dimensional realistic model reconstruction research ［D］.Beijing：Beijing Jiaotong University，2011（in Chinese）.［安磊.基于图像的三维真实感模型重建研究 ［D］.北京：北京交通大学，2011.］

［4］ZENG Taisheng.Image retrieval research based on color，texture and related feedback ［D］.Quanzhou：Huaqiao University，2006（in Chinese）.［曾台盛.基于颜色、纹理特征及相关反馈的图像检索技术研究 ［D］.泉州：华侨大学，2006.］

［5］WANG Hairong.The prospect of content－based image retrieval technology research and applications ［D］.Xian：Northwestern University，2009 （in Chinese）.［王海荣.基于内容的图像检索技术研究及应用瞻望 ［D］.西安：西北大学，2009.］

［6］ZENG Qisen.Content－based image retrieval technology research［D］.Nanjing：Nanjing University of Science and Technology，2007（in Chinese）.［曾奇森.基于内容的图像检索相关技术研究 ［D］.南京：南京理工大学，2007.］

［7］WANG Weidong.Feature extraction and classification algorithm research of high－dimensional small sample data ［D］.Nanjing：Nanjing University of Science and Technology，2006 （in Chinese）.［王卫东.高维小样本数据的特征提取及分类器算法研究 ［D］.南京：南京理工大学，2006.］

［8］WANG Weidong.Efficient nearest neighbor classification algorithm based on the preclassification ［J］.Computer Science，2007，34 （2）：198－200 （in Chinese）.［王卫东.一种基于预分类的高效最近邻分类器算法 ［J］.计算机科学，2007，34（2）：198－200.］

［9］FU yan，NING ning.Image denoising method based on multifeature and weighted support vector machines ［J］.Computer Applications，2011，31 （8）：2217－2220 （in Chinese）.［付燕，宁宁.基于多特征结合与加权支持向量机的图像去噪方法［J］.计算机应用，2011，31 （8）：2217－2220.］

［10］SONG Yan.Image retrieval integrated color and texture ［J］.Computer Engineering and Design，2007，28 （17）：4180－4182（in Chinese）.［宋艳.综合颜色与纹理的图像检索 ［J］.计算机工程与设计，2007，28 （17）：4180－4182.］

［11］JIANG Lanchi.Content－based image retrieval key technology research ［D］.Hangzhou：Hangzhou Dianzi University，2009（in Chinese）.［姜兰池.基于内容的图像检索关键技术研究［D］.杭州：杭州电子科技大学，2009.］