基于胃镜图像的胃脘痛特征数据分析

徐中宇,徐红梅,徐　勇

(1.长春工业大学 计算机科学与工程学院,吉林 长春　130012;2.国网宜都市供电公司,湖北 宜昌　443300)



基于胃镜图像的胃脘痛特征数据分析

徐中宇1,徐红梅1,徐勇2

(1.长春工业大学 计算机科学与工程学院,吉林 长春130012;2.国网宜都市供电公司,湖北 宜昌443300)

摘要纹理是胃镜图像的主要识别特征,研究如何能准确表达原始输入图像模式的图像纹理特征提取算法是图像识别的前提。文中给出一种将Haar型特征引入局部二元模式的方法以增强纹理特征提取的性能。通过对图像局部特征简单有效地统计,将4处特定位置的胃镜图像的直方图特征作为纹理特征向量,输入支持向量机进行判别,并采用投票决策的方法作为最终病症确诊的依据。经实验表明,上述方法提取的图像纹理更加细致清晰,胃脘痛病症识别准确率达100%。

关键词胃镜图像;Haar特征;纹理;局部二元模式;支持向量机

胃脘痛(胃痛)是指上腹胃脘部近心窝处发生疼痛的一种疾患,其病程与胃粘膜病理形态的变化有很大程度的相关性,胃镜检查采集胃内窥镜图像,是诊断胃病的重要依据[1]。胃脘痛病症诊断过程中所采集的部分病人的4张电子胃镜图像的灰度图像如图1所示。

图1　胃脘痛病症采集图像

计算机领域中胃镜图像处理技术可粗略的概括为图像预处理、特征提取和用分类器进行识别3个步骤[2],其中关于图像特征提取算法的研究乃是该领域的热点。例如,根据灰度水平的多阶统计分布分析图像特征、用模型参数刻画和描述图像特征、先对图像进行滤波,再提取滤波图像的特征进行分析等。

在胃脘痛内窥图像中,纹理[3]是最重要的区域特征之一,图像纹理能够反映图像的灰度分布程度、对比度、空间分布和图像的内在变化特性。由于纹理特征提取计算复杂,人们在图像纹理处理的计算简化上做了大量工作。例如,Ojala等人[4]研究的局部二元模式(Local Binary Pattern,LBP)在性能和辨别率上显示出优秀性能,但过少的考虑了干扰因素的影响。许多学者在具体应用中对LBP进行了改进,Guo等[5]在2010年提出了自适应LBP,Maturana等[6]提出了基于决策树LBP,Shan等[7]提出了基于局部Gabor二值模式,Yang等[8]将Hamming距离约束应用到基于LBP的人脸识别中。本文将Haar特征引入LBP,给出8组Haar型特征编码模式,按照LBP统计图像局部纹理特征,并将其应用于胃镜图像中得到胃脘痛特征数据,通过支持向量机进行病灶区域的识别,有效降低了误判率。

1LBP特征提取

1.1算法描述

LBP作为一种纹理描述算子,将纹理的统计性信息与结构化信息有效的融合在一起,具有能处理不同灰度图像,不受图像旋转干扰等优点。其计算过程如下:

(1)定义一个3×3的窗口,P0是中心像素,周围有8邻域,设置一个阈值t;

(2)将邻域各点的灰度值与中心点灰度值之差和阈值t比较,作二值化处理,大于等于阈值为1,反之为零,得到一个二值模式;

(3)根据顺时针方向将这些值进行加权求和,得到该窗口的LBP编码值,LBP图像取值如图2所示。

P1P2P3P8P0P4P7P6P5

图2LBP图像取值示意图

LBP编码值可由式(1)得到,其中u(x)为阈值比较函数;P表示邻域像素个数;PI表示邻域像素

(1)

LBP二值化及编码值计算示例如图3所示,经计算,此8邻域的LBP编码值为LBPP=(01010010)2=82。

图3　LBP二值化及编码值计算示例

1.2LBP应用方式

本文选取宽度196 px,高度178 px,水平分辨率为96DPI,垂直分辨率为96DPI的RGB格式24位彩色胃内窥图像。

对于未经任何处理的两幅图像,当直方图信息完全相同时,其真实的纹理信息及灰度分布可能差异较大,LBP算法能捕捉到邻域像素点之间的变化,相比原始图直接提取的直方图特征,LBP算法处理后提取的纹理直方图特征更能区分不同的图像[9]。原图与LBP算法处理后的纹理图像及各自对应的直方图如图4所示。原图像灰度转换后的图像如图4(a)所示,经过LBP变换后的纹理图像如图4(b)所示。显然,LBP算法处理后的图像纹理特征更加清晰。原始图像对应的灰度直方图如图4(c)所示,LBP算法处理后的图像对应的LBP直方图如图4(d)所示,两者直方图特征已有明显区别,经过LBP变换,采用极小纹理单元获取图像纹理特征,更加近似人眼的视觉搜索过程。

图4　原图与LBP算法处理后的纹理图像及各自对应的直方图

2Haar型LBP算法

2.1算法描述

Haar型特征[10]是一种简单矩形特征,其值为黑色矩形和白色矩形在图像子窗口中对应区域的灰度级总和之差,能有效反映图像灰度变化信息。本文在Haar型特征的基础上结合LBP算子描绘了一种新的Haar型LBP特征提取方法,简称HLBP。如图5所示,给出了8组Haar型特征编码模式。

111001-1-1-101-1p0000-10000000000000000-1000p0-110-1-1-110011111111-1-1-1-1-100p0000000000000000000000000p000-1-1-1-1-111111001110-1-1-1100p0-11000-1000000000000-10001-1p0001-1-1-1011100000-11000-1100p0-11000-11000-111-10001-10001-1p0001-10001-1000

图5HLBP的8组编码模型

如图5所示,每组HLBP编码模型以P0为中心构成了一个5×5的小窗,假设w(x,y)用表示图像中任意5×5的小窗,Mk表示8组Haar型特征编码模型矩阵,其中k∈(1,8),k∈z,则HLBP值的计算如式(2)所示,式中阈值t应根据不同的图像进行实验选取

(2)

2.2HLBP应用方式

同样,将图4(a)经HLBP算法处理后得到纹理图像如图6(a)所示,对比图4(b)和图6(a)可见,采用HLBP算法能获得更为理想细致的纹理图像,更能凸显胃镜图像的纹理特征。

图6　HLBP算法处理后的纹理图像及对应的HLBP直方图

图像经HLBP算法处理后所得的直方图如图6(b)所示,通过计算图像的直方图,可有效地表达图像的特征。显然,该特征的维数为256,与LBP处理后得到的直方图特征维数相同。

3分类预测

由于胃小弯、角切迹、幽门3处能较明显的反应胃部特征,医生通常将这些位置作为采集胃镜图像的方向[11],如图7所示。另外,医学研究发现舌部也可反应胃部病征[12],因此本文将舌部图像作为胃部的第4类表征。

图7　胃镜图像采集位置

支持向量机(Support Vector Machine,SVM)[13]是一种基于统计学习理论的机器学习方法,有较好的样本区分能力和较高的分类准确率。因此,本文选择SVM作为分类工具来进行不同类别胃镜图像的分类识别。另外,由于各类样本的值并非呈线性关系,对于各类样本的识别结果采用“一人一票”、“少数服从多数”的投票原则确定胃镜图像的识别结果[14]。

在分析电子胃镜图像特点的基础上,本文将其转化为灰度图像,采用HLBP算法提取其直方图特征作为纹理向量特征,分别采用SVM进行训练和识别,对各类图像的结果采用投票原则确定最终识别结果。胃脘痛良恶性识别流程如图8所示。

图8　胃脘痛良恶性识别流程图

4实验与分析

本文选取7位病症相同的脾胃虚寒型胃脘痛患者的胃镜图像进行分析,编号为1～7,其中胃镜图像位置为4处:胃小弯、角切迹、幽门、舌头,分别设置样本类别标签为类别标签1、类别标签2、类别标签3和类别标签4。选取患者胃镜图像中图像质量较高,疾病特征明显的图像作为实验样本。每位患者每个类别皆有1张图片,每一类别包含7张胃镜图像,共28张。

图9　患者1的良恶性识别图(准确率=4/4)

图10　患者3的良恶性识别图(准确率=3/4)

实验对每一位患者都进行了胃脘痛病征的良恶性识别,共7次,平均识别准确率为3/4。其中,患者1的测试集的实际分类和预测分类图如图9所示,患者1的胃小弯胃镜图像、角切迹胃镜图像、幽门胃镜图像和舌部图像的实际分类值与预测分类值皆吻合,脾胃虚寒型胃脘痛病征的准确率为100%。患者3的测试集的实际分类和预测分类图如图10所示,患者3的胃小弯胃镜图像、幽门胃镜图像和舌部图像的实际分类值与预测分类值吻合,但角切迹胃镜图像分类有偏差,脾胃虚寒型胃脘痛病征的准确率为75%。

5结束语

本文将Haar型特征引入局部二元模式(LBP)中以增强纹理特征提取的性能,并将HLBP算法应用到胃镜图像的特征提取上,将处理过的4处特定位置的胃镜图像的直方图特征作为纹理特征向量,通过支持向量机(SVM)融合这些特征向量进行病灶区域的识别,方法新颖。实验结果显示,该方法在脾胃虚寒型胃脘痛胃镜图像的识别中计算速度快,误判率低。

参考文献

[1]杨颖.胃痛中医辨证分型与胃镜及组织病理学分型的关系探讨[D].南京:南京中医药大学,2012.

[2]关沫,邢永吉.基于胃镜图像的病灶区域检测方法研究[J].微型机与应用,2014,33(5):49-52.

[3]潘海为,李鹏远,韩启龙,等.一种新颖的医学图像建模及相似性搜索方法[J].计算机学报,2013,36(8):1745-1756.

[4]Ojala T,Valkealahti K,Oja E,et al.Texture discrimination with multidimensional distribution of signed gray-level differences[J].Pattern Recognition,2001,34(3):727-739.

[5]Guo Z H,Zhang L,Zhang D,et al.Rotation invariant texture classification using adaptive LBP with directional statistical features[C].Hong Kong,China:Proceeding the 17th IEEE International Conference on Image Processing,IEEE,2010.

[6]Maturana D,Soto A,Mery D.Face recognition with decision tree-based local binary patterns[C].Queenstown,New Zealand:Proceeding the 2011 Asian Conference on Computer Vision,Springer,2011.

[7]Shan S G,Zhang W C,Su Y,et al.Ensemble of piecewise FDA based on spatial histograms of local (Gabor)binary patterns for face recognition[C].Hong Kong,China:Proceeding the 18th International Conference on Pattern Recognition,IEEE,2006.

[8]Yang H,Wang Y D.A LBP-based face recognition method with hamming distance constraint[C].Sichuan,China:Proceeding the 4th International Conference on Image and Graphics,IEEE,2007.

[9]周书仁,殷建平.基于Haar特性的LBP纹理特征[J].软件学报,2013,24(8):1909-1926.

[10]Viola P,Jones M J.Rapid object detection using a boosted cascade of simple features[C].Kauai,HI,USA:Proceeding Conference on Computer Vision and Pattern Recognition,2001.

[11]付延安.无线胶囊内窥镜图像处理技术的研究[D].济南:山东大学,2013.

[12]张志明,梁建庆,陈嘉屿,等.慢性糜烂性胃炎舌象与胃粘膜病理形态学相关性研究[J].实用中医内科杂志,2013(6):7-8.

[13]吕国岚.胶囊内镜便携式接收系统及内镜图像出血识别算法研究[D].上海:上海交通大学,2012.

[14]贺小虎,阳维,程时丹,等.基于局部二元模式的电子胃镜图像识别[J].计算机工程,2009,35(17):204-206.

Epigastric Pain Features Date Analysis Based on Endoscopic Images

XU Zhongyu1,XU Hongmei1,XU Yong2

(1.School of Computer Science and Engineering,Changchun University of Technology,Changchun 130012,China;2.Yidu Power Company,State Grid,Yichang 443300,China)

AbstractTexture is the main identification features of endoscopy images.The accurate expression of the texture feature extraction algorithm for the original input image pattern is a prerequisite for image recognition.This paper presents the introduction of a Haar type feature into the LBP of texture feature extraction to enhance performance.By simple and effective statistics of local image features,the four specific positions of endoscopy image histogram features are taken as a texture feature vector,which are input into the SVM for discrimination,and the final diagnosis is drawn by voting.Experimental results show that the proposed method offers more detailed definition of the image texture and an epigastric pain disorders recognition accuracy of 100%.

Keywordsendoscopic image;Haar feature;texture;LBP;SVM

doi:10.16180/j.cnki.issn1007-7820.2016.05.044

收稿日期:2015-09-23

基金项目:吉林省科技发展计划基金资助项目(20130303010GX)

作者简介:徐中宇(1971—),男,副教授,硕士生导师。研究方向:数字图像处理,生物认证。徐红梅(1992—),女,硕士研究生。研究方向:图像处理。

中图分类号TP391.41

文献标识码a

文章编号1007-7820(2016)05-165-04