基于颜色和纹理特征的胶囊内镜图像分类

徐婷婷 吉晓东 李文华 包志华

摘 要： 针对常用的计算机辅助分析方法受消化道气泡、光照和拍摄角度等影响难以对胶囊内镜图像取得较好的分类效果的问题，提出一种结合颜色矩、小波变换和共生矩阵的特征提取方法，并用SVM将图像分为健康和病变两类。计算HSV空间去噪后图像的颜色矩，同时采用小波变换选择中高频带后重构图像并计算其共生矩阵特征值，将提取出的特征值归一化，作为SVM的输入进行训练和分类。实验结果表明，该方法正确率可达98.88%，相比其他方法取得了更好的分类结果。

关键词： 胶囊内镜； 图像分类； 特征提取； 小波变换； 颜色矩； 共生矩阵

中图分类号： TN911.73?34； TP181 文献标识码： A 文章编号： 1004?373X（2018）19?0058?05

Abstract： The commonly?used computer aided analysis method is difficult to obtain a better classification result of capsule endoscopy images due to the influence of digestive tract bubbles， illumination and shooting angle. Therefore， a feature extraction method based on color moment， wavelet transform and co?occurrence matrix is proposed， and the SVM is used to classify the images into healthy and diseased categories. The color moments of the denoised images in the HSV space are calculated， and the wavelet transform is used to select the middle and high frequency bands to reconstruct the images and calculate the feature values of their co?occurrence matrixes. The extracted feature values are normalized as the inputs of SVM for training and classification. The experimental results show that the correct rate of the proposed method can reach up to 98.88%， which is much better than other methods.

Keywords： capsule endoscopy； image classification； feature extraction； wavelet transform； color moment； co?occurrence matrix

0 引 言

消化道疾病困扰着全球无数的患者，而现在常用的内窥镜检查系统都不得不带引导插管，不仅对病人造成极大的痛苦，而且操作不便。2001年世界首套胶囊内镜系统获美国FDA（Food and Drug Administration）批准应用于临床，有效地解决了上述问题。医生能够通过系统传回的图像观察病人体内情况，然而反馈的图像量巨大，人工判读太浪费时间和人力。本研究采用的图像由杭州华冲科技有限公司提供，该公司自主研发的HT型胶囊式内窥镜系统拍摄频率为2帧/s，故8 h以上工作时间将产生至少57 600张图像。如果由医生逐张阅读判断，不仅枯燥、使人疲倦，还极易遗漏有价值的信息。因此，找到一种对胶囊内镜图像有良好特征提取效果的计算机辅助分析方法尤为重要。图像特征主要包含形状、颜色和纹理等，特征的提取和选择直接影响后续图像分类器的性能[1]。文献[2]采用小波变换的方法，提取胶囊内镜图像的纹理特征；文献[3]在RGB（Red，Green，Blue）和HSI（Hue，Saturation，Intensity）空间中，从离散小波变换子带中提取ULBP（Uniform Local Binary Pattern）特征；文献[4] 从RGB空间中提取色域旋转和ULBP特征；文献[5]提取了图像的色调饱和度直方图及图像的LBP纹理特征；文献[6]在HSI空间对颜色量化并加权融合，同时结合图像的Sift（Scale?invariant Feature Transform）特征；文献[7]采用基于灰度共生矩阵和小波的Gabor滤波器提取内镜图像的纹理信息。然而这些方法都是基于全图或图像低频部分，并未着重考虑含有丰富纹理信息的图像中高频部分。

胶囊内镜图像具有丰富的颜色和纹理信息，并且病变区域与非病变区域有着显著的颜色和纹理差异，因此，本文以提高图像分类性能为目标，提出一种结合颜色矩、小波变换和共生矩阵的特征提取方法。将胶囊内镜图像库分为训练集和测试集，用颜色矩提取颜色特征，基于小波变换的共生矩阵方法提取纹理特征，对提取出的图像的特征值进行归一化处理，作为SVM（Support Vector Machine）的输入，从而得到测试集的分类结果。经实验证明，本文方法能够有效地根据是否含有病变情况将胶囊内镜图像分为两类，从而辅助医生判读。

1 方法基本框架

本文所提方法主要包括三个部分：

1） 提取颜色特征：将胶囊内镜图像由RGB空间转换到HSV（Hue，Saturation，Value）空间，通过小波变换对图像的中高频部分用维纳滤波去除噪声，重构图像，计算颜色矩，构造颜色特征向量。

2） 提取纹理特征：通过小波变换选取中高频子带，重构图像，计算其共生矩阵特征值，构造纹理特征向量。

3） 训练及分类：将训练集图像的颜色和纹理特征归一化，输入SVM进行训练，再用训练好的SVM对测试集图像进行分类，将其分为健康和病变图像。

本文所提方法的流程图如图1所示。

2 图像特征提取及分类算法设计

2.1 提取颜色特征

提取图像颜色特征时，很多算法都先对图像特征进行量化处理。然而，量化处理容易导致误检，并且产生的图像特征维数高，不利于分类。因此，本文采用颜色矩提取颜色特征，该方法的优点在于：不需要对颜色空间量化，特征向量维数低。以一阶、二阶和三阶矩构造特征向量，足以表达图像的颜色分布[8]，并且控制了计算量。由于HSV颜色空间与人眼对颜色的主观认识相对符合[9]，相比其他颜色空间能更好地反映人类的感知，所以本文在HSV颜色空间下，对图像中高频段用维纳滤波去除噪声，重构图像，取颜色矩作为颜色特征，构造颜色特征向量。

3 实验与分析

本实验在Matlab R2016a下完成。在实验时，对分解级为1的中高频部分用窗口大小为[5，5]的维纳滤波器去除噪声，对分解级为2的中高频部分用窗口大小为[3，3]的维纳滤波器，对分解级为3的中高频部分则用窗口大小为[2，2]的维纳滤波器。选取Daubechies函数为小波变换的基函数，分解级定为3。综合提取的颜色特征和纹理特征，最终作为SVM输入的特征向量为：

方法1在图像的各分量上，引入模糊纹理谱提取相应特征，并用BP神经网络识别，最后通过投票确定最终分类结果[14]；方法2根据特征的平均影响值对提取的特征进行筛选，再用SVM进行分类[1]；方法3则仅用[Fcolor]作为SVM的输入。

由此可见，本文方法无论在实用性还是正确率上都优于现有方法，并且准确率达到98.88%可以很好地满足临床要求。

4 结 语

受消化道气泡、光照和拍摄角度等影响，常用的计算机辅助分析方法难以对胶囊内镜图像取得较好的分类效果。因此本文结合颜色矩、小波变换和共生矩阵，提出一种提取图像特征用于分类的新方法，将提取到的特征通过SVM分类。实验结果显示，该方法能够有效提高分类的正确率，并对辅助医生判读起到一定的积极作用。

参考文献

[1] 邓江洪，赵领.多特征筛选与支持向量机相融合的图像分类模型[J].吉林大学学报（理学版），2016，54（4）：862?866.

DENG Jianghong， ZHAO Ling. Image classification model with multiple feature selection and support vector machine [J]. Journal of Jilin University （science edition）， 2016， 54（4）： 862?866.

[2] 李凯旋，刘哲星，吕庆文，等.基于小波变换的胶囊内镜图像检索[J].现代消化及介入诊疗，2011，16（2）：77?81.

LI Kaixuan， LIU Zhexing， L? Qingwen， et al. Capsule endoscopic image retrieval based on wavelet transform [J]. Modern digestion & intervention， 2011， 16（2）： 77?81.

[3] LI B， MENG Q H. Automatic polyp detection for wireless capsule endoscopy images [J]. Expert systems with applications， 2012， 39（12）： 10952?10958.

[4] CHARISIS V S， KATSIMEROU C， HADJILEONTIADIS L J， et al. Computer?aided capsule endoscopy images evaluation based on color rotation and texture features： an educational tool to physicians [C]// Proceedings of the 26th IEEE International Symposium on Computer?Based Medical Systems. Porto： IEEE， 2013： 203?208.

[5] 邹月娴，霍佳森，刘吉，等.基于特征融合的WCE图像检索[J].计算机科学，2013，40（z2）：320?324.

ZOU Yuexian， HUO Jiasen， LIU Ji， et al. WCE image retrieval by using fused feature [J]. Computer science， 2013， 40（S2）： 320?324.

[6] 詹昌飞，蔡轶珩，盛楠.基于颜色特征和Sift特征的胶囊内镜图像检索[J].测控技术，2016，35（5）：11?15.

ZHAN Changfei， CAI Yiheng， SHENG Nan. Capsule endoscopic image retrieval combined color feature with sift feature [J]. Measurement & control technology， 2016， 35（5）： 11?15.

[7] NEZHADIAN F K， RASHIDI S. Palmprint verification based on textural features by using Gabor filters based GLCM and wavelet [C]// Proceedings of the 2nd Conference on Swarm Intelligence and Evolutionary Computation. Kerman： IEEE， 2017： 112?117.

[8] STRICKER A M A， ORENGO M. Similarity of color images [C]// Proceedings of 1995 Conference on Storage and Retrieval for Image and Video Databases III. Bellingham： Society of Photo?Optical Instrumentation Engineers， 1995： 381?392.

[9] 张晓雪.基于结构特征直方图的图像检索[D].长春：东北师范大学，2014.

ZHANG Xiaoxue. Image retrieval based on structural feature histogram [D]. Changchun： Northeast Normal University， 2014.

[10] 丁军娣，董燕，户卫东.基于角点特征的图像检索新方法[J].计算机应用与软件，2015，32（3）：212?214.

DING Jundi， DONG Yan， HU Weidong. A novel method for image retrieval based on corner features [J]. Computer applications and software， 2015， 32（3）： 212?214.

[11] HARALICK R M. Statistical and structural approaches to texture [J]. Proceedings of the IEEE， 1979， 67（5）： 786?804.

[12] YU P S， CHEN S T， CHANG I F. Support vector regression for real?time flood stage forecasting [J]. Journal of hydrology， 2006， 328（3）： 704?716.

[13] 马乐宽，邱瑀，赵越，等.基于改进的神经网络与支持向量机的小流域日径流量预测研究[J].水资源与水工程学报，2016，27（5）：23?27.

MA Lekuan， QIU Yu， ZHAO Yue， et al. Prediction of daily runoff in a small watershed based on improved neural network and support vector machine [J]. Journal of water resources & water engineering， 2016， 27（5）： 23?27.

[14] 李凯旋，孙宇千，刘哲星，等.基于模糊纹理谱的胶囊内窥图像识别[J].计算机工程，2012，38（19）：229?232.

LI Kaixuan， SUN Yuqian， LIU Zhexing， et al. Capsule endoscopic image recognition based on fuzzy texture spectrum [J]. Computer engineering， 2012， 38（19）： 229?232.