基于GLCM的脑部CT图像纹理特征提取方法研究

徐 德 明

(亳州职业技术学院， 安徽 亳州 236800)



基于GLCM的脑部CT图像纹理特征提取方法研究

徐 德 明

(亳州职业技术学院， 安徽 亳州 236800)

摘要：运用灰度共生矩阵视角下，在Matlab2010平台上研究正常脑部CT图像与异常脑部CT图像的纹理特征值即能量、对比度、逆差分矩、熵之间的差异。结果表明，除对比度特征值外，能量、逆差分矩、熵等3项图像纹理特征值均能有效地区分正、异常脑部CT图像。基于灰度共生矩阵的纹理特征提取方法，用于脑部CT图像模式识别分类特征的提取是可行的。

关键词：灰度共生矩阵； 脑部CT； 图像纹理特征

医疗设备的先进程度与医疗服务水平的高、低密切相关。CT成像设备自问世以来，为疾病诊断提供了客观的参考依据，在一定程度上提高了疾病诊断的准确率。医院每天都会产生大量的医学影像图片，阅片工作仍是由影像科医师人工完成，阅片结果的准确度取决于医师的水平和经验，主观性较强。为此，众多学者利用模式识别、数据挖掘、图像处理等技术，展开了计算机辅助诊断系统的研究，并取得了一定的成果。

计算机辅助诊断系统工作流程主要分为3个步骤：首先，对图像进行预处理；其次，对图像进行特征提取与选择；最后，对数据的模式识别分类并给出结果。其中图像特征的提取与选择对后续分类工作有直接的影响。纹理特征是一幅图像的固有特征，其中脑部组织器官的CT影像图片具有很强的、不规则的、独特的纹理特性。基于统计思想设计的灰度共生矩阵算法(GLCM)，在不规则纹理特征提取方面具有一定的优越性[1-3]。在学习、借鉴前人运用灰度共生矩阵进行图像纹理特征提取的基础上，研究了将其运用于脑部CT图像纹理特征提取的可行性，并给出了具体的运用方法和实验对比结果。

1灰度共生矩阵及相关参数

1.1灰度共生矩阵的定义

灰度共生矩阵(GLCM)是由Haralick等人于1973年提出的，是一种基于统计思想剖析图像灰度分布空间关系，表征图像纹理特征的方法[4]。该方法从图中像素灰度值为i的位置开始，统计与其相距固定间距，像素灰度值为j的像素成对分布的情况。即在某一角度为θ的方向上，像素灰度值分别为i和j、间距为d的一对像素点同时出现的概率，可表示为P(i,jd,θ)，矩阵的每项元素值可由式(1)算出。

i,j=0,1,2,3,…，L-1

(1)

其中：L代表灰度级。图像的灰度共生矩阵为对称矩阵，其阶数由该图的灰度级数决定。

灰度共生矩阵在各领域的实际应用中，通常选取4个方向，方向角度参数θ分别取0°、45°、90°、135°[5]。设某像素坐标为(k,l)与(m,n)的灰度共生矩阵像素对为F(k,l)=i与F(m,n)=j，则该像素对在4个方向上的灰度共生矩阵P(i,jd,θ)的计

算如式(2) — 式(5)所示。

P(i,jd,0°)=#{[(k,l),(m,n)]∈

(Lx×Ly)|m-k=d,n-l=0,F(k,l)=i,F(m,n)=j}

(2)

P(i,jd,45°)=#{[(k,l),(m,n)]∈

(Lx×Ly)|m-k=d,n-l=d,F(k,l)=i,F(m,n)=j}

(3)

P(i,jd,90°)=#{[(k,l),(m,n)]∈

(Lx×Ly)|m-k=0,n-l=d,F(k,l)=i,F(m,n)=j}

(4)

P(i,jd,135°)=#{[(k,l),(m,n)]∈

(Lx×Ly)|m-k=d,l-n=d,F(k,l)=i,F(m,n)=j}

(5)

式中：#(x) —— 统计集合元数的个数；

Lx—— 图像的行数；

Ly—— 图像的列数。

1.2相关特征参数

用灰度共生矩阵表述一幅图像的纹理分布情况不直观。因此，需对灰度共生矩阵进行相应的数学变换，导出一部分能直观表征图像纹理特征的参数。灰度共生矩阵算法的创始人Haralick给出了14项能直观表述图像纹理特征的参数。但在后期的研究中发现，这14项纹理特征参数中有10项存在的关联，即特征表述存在冗余，只有4项即角二阶矩、惯性矩、局部稳定性、熵之间无关联[5]。基于这4项纹理特征参数值的求解运算较为简单，且在各领域的实际应用中分类误差较小，因此选用这4项纹理特征参数值来表征脑部CT图像的纹理特征情况。

(1)角二阶矩，又称能量 C1：

(6)

C1反映了图像灰度级分布的均匀性和纹理的粗细情况。C1越大，图像纹理相对均匀，且纹理粗壮，并按一定规则分布；反之，图像纹理细微，呈不规则分布。

(2)惯性矩，又称对比度C2：

(7)

C2能够客观表述图像纹理沟纹的深浅情况及纹理的清晰程度。图像若纹理沟纹越深，则图像越清晰，C2值也就越大；反之，C2越小。

(3)局部稳定性，又称逆差分矩C3：

(8)

图像灰度共生矩阵中各值相邻越近，则 C3就越大；反之，C3就越小。

(4)熵C4：

(9)

熵是衡量图像包含信息量多少的一个参数。C4值的大小与图像纹理结构的均匀情况、复杂程度具有很强的关联性。若一幅图像没有任何纹理，则其C4值为0，且灰度共生矩阵为0，表明图像灰度分布均匀。若一幅图像纹理分布不均，且杂乱交错，则其C4相对就较大。

2实验材料与方法

2.1实验材料

从某医院影像科CT中心，随机选取8幅正常脑CT图片和8幅异常脑CT图片。原始样本图像为DICOM格式，其分辨率为512×512，图1a所示为1号正常脑部CT样本原始图像。因原始样本图像为非灰度图像，且图像由脑部感兴趣区和大量非感兴趣背景区构成，需对其进行格式变化及背景区的适当去除。去除方法是：在Matlab 2010平台读入原样本图像，利用 imtool的图像裁剪工具对其进行裁剪，使每幅样本包含全部脑部图像区域的同时，尽可能包含较少的背景图像。最后，统一输出BMP格式图像，灰度级为256，分辨率为320×320。输出图像如图1b所示。

2.2特征提取方法

在Matlab 2010平台下，编写相应的代码，实现对脑部CT图像灰度共生矩阵纹理特征的提取。具体步骤如下：

(1)图像读入及预处理。通过imread读入经上述方法处理得到的一幅脑部CT样本图像，对其进行直方图均衡化，增加灰度值的动态范围，从而增加图像的整体对比效果。将图像的灰度级从256级压缩至16级。

(2)灰度共生矩阵计算。像素间距参数d的选取是否恰当，会直接影响纹理特征的提取效果。参照文献[2]和[5]，d取1。分别计算方向角为0°、45°、90°、135°方向上的灰度共生矩阵，并进行归一化处理。

(3)计算特征参数。分别计算每个方向上的4个参数。

3实验结果与分析

在Matlab2010平台下，分别对随机选取的8幅正常脑部CT图像和8幅异常脑部CT图像，进行灰度共生矩4个纹理特征参数的提取，并绘制出比较曲线图，如图2 — 图5所示。结果表明，异常脑部CT图像的熵特征值普遍高于正常脑部CT图像的熵特征值，即异常图像纹理特性相对复杂(见图2)。正常与异常图像区分界线不太明显，特征值相互交织在一起(见图3)。正常与异常图像在能量特征值上存在明显的分界线，异常图像此项特征值普遍较低，即异常图像的纹理存在不规则性(见图4)。异常图像的局部平稳性显著低于正常图像，即异常图像像数之间的差异相对较大(见图5)。

图2　脑部CT图像熵特征值比较

图3　脑部CT图像对比度比较

图4　脑部CT图像能量特征值比较

4结语

基于灰度共生矩阵算法，对正常、异常脑部CT图像的灰度共生矩阵的4项纹理特征值进行提取，最后将4项纹理特征的平均值作为最终特征值，并对其进行比较。正常与异常的脑部CT图像在除对比度特征值之外的3项特征值上均表现出明显的差异，表明通过灰度共生矩阵提取纹理特征对图像分类是有效的。实验中，灰度级数、像素间距参数d的选取，参考了其他领域相关研究中的典型值。脑部CT图像纹理特征提取中参数的合理取值问题，仍需进一步研究。

参考文献

[1] 余丽萍，黎明，杨小芹，等．基于灰度共生矩阵的断口图像识别[J]．计算机仿真，2010，27(4)：224-227．

[2] 郭正依，焦蓬蓬．基于灰度共生矩阵的肝脏CT图纹理特征分析[J]．实验室研究与探索，2012,31(8)：32-35．

[3] 高程程，惠晓威．基于灰度共生矩阵的纹理特征提取[J]．计算机系统应用，2010，19(6)：195-198.

[4] HARALICK R M,SHANMUGAM K.Texture Features for Image Classification[J]. Vrachebnoe Delo, 1975(3):610-621.

[5] 王知鸷．基于纹理及光谱信息融合的遥感图像分类方法研究[D]．西安：西安电子科技大学，2010:10-12．

Research on Texture Feature Extraction of Brain CT Images Based on GLCM

XUDeming

(Bozhou Vocational and Technical College, Bozhou Anhui 236800, China)

Abstract:In the perspective of gray level co-occurrence matrix, the differences of CT image features of the abnormal brain were studied with the help of Matlab2010 platform, which included the differences of energy, contrast, deficit and entropy. The results showed that in addition to the characteristics of the contrast, the energy, the deficit score moment and the entropy can effectively distinguish between positive and abnormal brain CT image. Gray level co-occurrence texture feature extraction method is feasible for brain CT image pattern recognition classification feature extraction.

Key words:GLCM; brain CT; texture feature

收稿日期：2016-01-06

基金项目：安徽省教育厅医用电子仪器与维护省级特色专业质量工程项目(20101459)；安徽省教育厅医用电子仪器省级实习实训示范中心质量工程项目(2011131)

作者简介：徐德明(1971 — )，男，安徽庐江人，硕士，讲师，研究方向为电子与通讯工程。

中图分类号：TP391

文献标识码：A

文章编号：1673-1980(2016)03-0101-03