畢業(yè)論文-膠囊內(nèi)鏡視頻流中出血圖片的自動篩選方法

湖南大學畢業(yè)設計(論文) 第頁HUNAN畢業(yè)論文論文題目膠囊內(nèi)鏡視頻流中出血圖像的自動篩選方法學生姓名學生學號專業(yè)班級自動化3學院名稱電氣與信息工程學院指導老師學院院長2015年 5月10日 湖南大學畢業(yè)設計(論文) 第1頁摘要膠囊內(nèi)鏡的誕生為消化道疾病的診斷帶來了革命性突破。但是每個病人做一次膠囊內(nèi)鏡檢查大約會產(chǎn)生6-7個小時的視頻，約5-8萬張圖片，為了對病情精準的判斷，不產(chǎn)生遺漏，醫(yī)生需要花費大量時間去查看圖片進行診斷，這是一項繁重而耗時的任務。若能設計一款軟件輔助醫(yī)生完成診斷過程，醫(yī)生的診斷效率將大大提高。而流血往往是臨床醫(yī)生分析胃部疾病的一個重要特征，若能自動檢測出圖像中流血區(qū)域變得十分有意義。而顏色是醫(yī)生使用的區(qū)分內(nèi)窺鏡圖像的不同區(qū)域的重要線索之一。因此，本文通過統(tǒng)計流血子圖和正常子圖的RGB通道的中值，方差等數(shù)據(jù)，用神經(jīng)網(wǎng)絡知識對數(shù)據(jù)進行分析，得到了一種能從胃鏡圖像中報出流血區(qū)域的方法。但由于流血區(qū)域與胃部褶皺和陰影部分特征相同，該方法在只在分析無絨毛部位時具有較高的準確率。關鍵詞：流血區(qū)域檢測，神經(jīng)網(wǎng)絡，色彩特征

AutomaticscreeningmethodforthebleedingimageinCapsuleendoscopevideoAbstractThebirthofcapsuleendoscopyforgastrointestinaltractdiseasediagnosishasbroughttherevolutionarybreakthrough.Buteachpatienttodoacapsuleendoscopycanproduceabout6to7hoursofvideo,Inordertoaccuratejudgmentabouttheillnessandavoidmissing.Doctorsneedtospendalotoftimetoreviewimagesfordiagnosis.Thisisahardandtime-consumingtask.Ifasoftwareassistdoctorscompletediagnosisprocesscanbedesigned.Thedoctor'sdiagnosiswillgreatlyimprovetheefficiency.Andstomachbleedingisoftencliniciansanalysisisanimportantfeatureofthedisease,automaticallydetecttheimageinthebleedingareabecomesverymeaningful.Butcolorisalwaysusedtodistinguishthedifferentareasoftheendoscopeimageofoneoftheimportantclues.Therefore,thisarticlethroughstatisticalgraphandnormalbloodsubgraphofRGBchannelsinvalue,varianceandotherdata,analyzethedatawiththeneuralnetworkknowledge,wegetamethodwhichcanidentifythebleedingarea.Becausethebleedingareaandstomachfoldisthesameastheshadedpartfeature,themethodhashighaccuracyonlywhenanalyzethepartswherethereisnofluff.

目錄緒論………………………11.1課題背景及目的……………………11.2國內(nèi)外研究狀況……………………11.3本文主要內(nèi)容………………………12膠囊內(nèi)鏡圖像流血檢測背景知識介紹2.1特征提取基本原理與理論…………12.2圖像與色彩相關知識2.2.1圖像文件格式2.2.2顏色空間簡介2.3膠囊內(nèi)鏡紋理特征2.3胃鏡圖像病灶檢測關鍵技術………12.3.1識別區(qū)域的劃分……………12.3.2基于圖像特征的分類識別…………………12.4本章小結……………13檢測方法設計與實現(xiàn)3.1視頻流取幀3.2KNN鄰近規(guī)則與子圖的分類3.3篩選部位的分析3.4分割方式與大小的確定3.5篩選方法的實現(xiàn)與判定效果展示

緒論1.1課題背景及目的隨著人們現(xiàn)在生活節(jié)奏的加快帶來的不好的飲食習慣，腸胃疾病的發(fā)病率日益增高。但是由于胃部生理環(huán)境與胃部病條件的特殊性，給病癥的前期診斷帶來的巨大的困難，許多胃病患者延誤了最佳的治時期，給患者的健康甚至生命造成了極大的威脅。除此之外，大量的胃鏡圖像也給醫(yī)生帶來了沉重的工作壓力。因此，研究與設計一種快速且準確率高的胃病檢測方法，用于輔助醫(yī)生進行病情的診斷顯得格外重要。目前，胃部疾病的檢測主要借助于電子胃鏡。電子胃鏡主要由內(nèi)鏡、視頻處理器和電視監(jiān)視器三個部分組成，借助于電子胃鏡，臨床醫(yī)生可以采集到高分辨率的醫(yī)學圖像，如圖1.1所示。(a)電子胃鏡設備（b）檢測現(xiàn)場畫面實拍(c)胃鏡圖像圖1.1電子胃鏡設備、檢測現(xiàn)場畫面實拍與胃鏡圖像在檢測的過程中，臨床醫(yī)生可以靈活地操控電子胃鏡探頭，來獲取不同部位的胃鏡圖像。電子胃鏡屬于內(nèi)窺鏡的一種，其主要功能在于檢查人體內(nèi)胃和腸道的病變情況，自1868年起應用于臨床，經(jīng)過百余年的發(fā)展，胃鏡產(chǎn)生了多個變種，目前流行的胃鏡主要有傳統(tǒng)的電子胃鏡和膠囊內(nèi)鏡。傳統(tǒng)的電子胃鏡借助一條纖細、柔軟的管子伸入胃中，管子前端裝有照明系統(tǒng)和光電耦合元件，醫(yī)生可以通過監(jiān)視器實時了解胃內(nèi)病變情況，然而這樣的檢查過程給患者帶來了巨大的痛苦。2001年，以色列的GivenImaging公司生產(chǎn)了名為M2A的世界上第一個膠囊式內(nèi)窺鏡，并率先進入臨床使用，這一產(chǎn)品在全世界引起了巨大的反響，膠囊內(nèi)鏡的問世無疑給胃腸道疾病患者帶來了福音。膠囊內(nèi)鏡設計小巧，如圖1.2所示。膠囊內(nèi)鏡的使用方法如同服藥，只需就水喝下。膠囊內(nèi)鏡從入口腔的那一刻起，就以2秒/張的速度拍照，在消化道的蠕動下歷經(jīng)整個消化過程，一路走一路拍，整個過程大概需要8至10個小時。圖像通過傳感器以數(shù)字的形式傳輸?shù)交颊唠S身攜帶的記錄裝置上，一次檢測過程大概產(chǎn)生8萬張圖像。圖1.2膠囊內(nèi)鏡醫(yī)療設備的飛速發(fā)展在一定程度上促進了醫(yī)療水平的提升，為廣大患者的診治提供了保障。但醫(yī)療設備在為醫(yī)生提供珍貴診斷信息的同時，膠囊內(nèi)鏡產(chǎn)生的大量圖片也加重了醫(yī)生的工作負擔，往往使醫(yī)生力不從心，目前在胃腸道疾病診斷過程中，主要存在以下兩大問題：(1)胃腸道生理環(huán)境復雜，病理特征隱蔽，導致診斷困難。胃腸道不同于人體其他器官，其生理環(huán)境極其不穩(wěn)定。盡管在做胃鏡檢查前幾天，對于患者的飲食就有嚴格的要求，在檢測前24小時內(nèi)禁令禁煙，檢查前2個小時，禁服任何藥物。盡管在做胃鏡檢測前有如此嚴格的限制要求，但仍會有食物殘留在胃腸道內(nèi)，胃液更是不可避免。除此之外，胃腸道疾病通常在前期都較為隱蔽。以胃癌為例，早期胃癌的確診需要靠病理組織學診斷，而肉眼上往往因癌灶微小、邊界不清及良惡性難以鑒別，而難以做出準確診斷。并且由于癌灶形態(tài)的多樣，也為病情的確診帶來困難。由于胃腸道所處的生理位置，醫(yī)生在檢測的過程中只能夠通過電子胃鏡間接觀察，也為病情的診斷帶來巨大的挑戰(zhàn)。(2)胃鏡檢測信息量大，導致醫(yī)生工作效率低下，漏診誤診嚴重。目前，電子胃鏡技術已經(jīng)十分成熟，在胃腸道疾病的檢測中十分普及，每日待檢測的患者人數(shù)眾多，加之胃鏡檢測本身信息量巨大，并且在檢測的過程中病情的診斷完全依賴于醫(yī)生的主觀經(jīng)驗，這無疑給醫(yī)生帶來了沉重地負擔。以上這些問題直接導致了許多患者不能及時就醫(yī)，以及醫(yī)生在檢測中的漏診與誤診情況屢見不鮮。綜上所述，在傳統(tǒng)的胃鏡檢測過程中僅憑借醫(yī)生人工進行病灶診斷，不僅給醫(yī)生造成巨大的壓力，同時也會出現(xiàn)診斷效率低下，漏診率與誤診率高的情況。然而，目前基于胃鏡圖像的流血區(qū)域的檢測技術尚處于起步階段，并未形成一個統(tǒng)一完善的檢測方法，目前檢測方法的準確率仍達不到臨床要求。本研究課題正是在這樣的環(huán)境下提出來的。1.2國內(nèi)外研究狀況本課題的技術屬于計算機輔助檢測和診斷技術的一個分支。計算機輔助檢測技術距今已經(jīng)有50多年的歷史，其涉及的領域十分廣泛，其中包括零件表面探傷、紡織品纖維檢測、汽車尾氣檢測、文檔識別以及醫(yī)學圖像判讀。醫(yī)學圖像計算機輔助檢測技術的主要目的是輔助醫(yī)生進行病情診斷，以提高檢測的敏感性與特異性，以及檢測的效率，同時計算機輔助檢測系統(tǒng)也為醫(yī)生定量地分析病情提供依據(jù)，彌補了檢測過程中僅憑借醫(yī)生主觀經(jīng)驗診斷的弊端。盡管目前已經(jīng)研發(fā)出許多不同的計算機輔助檢測系統(tǒng)，但它們的基本原理都是相通的，基本流程大致為：（1）圖像預處理在計算機輔助檢測技術中，第一個步驟的目的主要是將被檢測的器官從其它器官或組織中分離出來，即確定圖像中的感興趣區(qū)域其中涉及到的主要技術包括圖像分割和圖像濾波技術。在這個環(huán)節(jié)中，只是對感興趣區(qū)域粗略提取，允許產(chǎn)生大量的假陽性區(qū)域。（2）確定可疑區(qū)域邊界和提取圖像特征經(jīng)過前一個步驟，可以得到大量的可疑區(qū)域，但區(qū)域邊界模糊，且假陽性區(qū)域比例高。在這個步驟中主要的目的是確定每一個可疑區(qū)域的邊界，并提取區(qū)域特征，為最后機器學習識別奠定基礎。其中邊界的確定通常采用區(qū)域增長算法，提取的圖像特征包括顏色特征、頻域特征、形狀上下文特征、紋理特征等。（3）分辨真陽性和假陽性區(qū)域在這個環(huán)節(jié)中主要采用機器學習知識，運用各種圖像特征來訓練訓練得到分類器模型，最后用訓練得來的分類器模型將可疑病灶區(qū)域分類為真陽性區(qū)域或假陽性區(qū)域。應用廣泛的分類器包括人工神經(jīng)網(wǎng)絡、貝葉斯信任網(wǎng)絡、決策樹、支持向量機和以知識背景為基礎的專家識別系統(tǒng)等等。而對于一個特定應用如何選擇一組有效的圖像特征和控制分類器的大小成為目前面臨的首要任務。1.3本文主要內(nèi)容本文分析現(xiàn)有的方法，提出一種新的處理圖像和得到的數(shù)據(jù)的方法。論文的結構及主要內(nèi)容如下：第1章對本文的課題背景以及國內(nèi)外的研究現(xiàn)狀做了簡要介紹。第2章闡述了一些現(xiàn)有方法中所涉及到的一些專業(yè)知識。介紹了特征提取的基本原理、色彩空間和紋理特征方面的基礎知識。為引出后面的具體方法提供理論基礎。第3章對本文算法的整個實現(xiàn)過程逐步進行了介紹，分析了該方法適用的部位，展示了該方法在實際處理圖像時的效果。第二章膠囊內(nèi)鏡圖像流血檢測背景知識介紹膠囊內(nèi)鏡圖像流血區(qū)域的檢測本質上是屬于模式識別領域的。在介紹具體篩選方法之前,本章主要簡述流血區(qū)域檢測的預備知識,包括特征提取的基本原理,不同顏色空間、紋理特征的介紹2.1特征提取基本原理與理論(a)出血圖像(b)正常圖像圖2.1膠囊內(nèi)鏡圖像圖2.1給出2幅膠囊內(nèi)鏡的圖像，圖2.1(a)是一張出血的胃鏡圖像，圖2.1(b)是一張正常的胃鏡圖像?？梢钥闯?，2張圖片有明顯的區(qū)別。假設我們將出血的圖片記為A類,正常圖片記為B類,進一步假設數(shù)據(jù)集中有一大類圖像屬于A類和另一大類圖像屬于B類,那么分類系統(tǒng)的任務便是將未分類的一類圖像正確分類。圖2.2特征分類的示意圖分類系統(tǒng)首先要確定能夠完全區(qū)分兩個不同類別的可區(qū)分的量。這種可區(qū)分的量稱作特征。給出特征分類的示意圖，如圖2.2所示,X軸和Y軸表示向量空間,兩種圖像分別用“紅色小點”和“藍色小點”來表示,在圖中用一條直線把特征空間的兩類圖像特征區(qū)分割開來?，F(xiàn)在有一幅沒有被分類的新圖像,其特征用“橙色小點”來表示,可判定該圖像的類別與“紅色小點”一類更接近。為了能正確完成內(nèi)鏡圖像的分類任務,首先需要提取圖像中的許多特征來表征圖像。色彩特征是低提一副圖像的底層特征時最方便最直觀的特征,所以它在特征提取時也是最常被用到的。主要是因為人眼感光后把圖像傳到大腦進行處理是人眼的視覺系統(tǒng)感知這個世界的最基本方式,與人眼的視覺系統(tǒng)十分相似,計算機的視覺系統(tǒng)是靠著電子攝像頭來獲取圖像的。顏色構成的圖像能描述圖像所包含的物體和場景。如,流血區(qū)域的顏色比正常區(qū)域的顏色偏紅一點,正常的小腸內(nèi)的圖像顏色則是呈橘黃色的。而且,同形狀、紋理等其他低層特征相比而言,顏色特征同旋轉方向、視角、圖像本身大小等有著不相關性,擁有較強的魯棒性。從目前的研究成果來看，應用廣泛的圖像特征包括空間關系特征、顏色特征、紋理特征和形狀特征等。而針對不同的場景，并不存在一種通用的圖像特征。由于胃部病灶區(qū)域不規(guī)則的特點，且病灶區(qū)域通常與正常組織存在顏色或紋理上的差異，因此在胃鏡圖像的病灶檢測中多用到顏色特征和紋理特征。2.2.1圖像文件格式想要使用計算機來進行數(shù)字圖像處理，那么對圖像文件格式要有一定的認識，因為自然界中的圖像是以模擬信號的形式存在的，在進行數(shù)字圖像處理前的首要工作就是將圖像數(shù)字化，如在把攝像頭攝取到的信號送給計算機處理之前，通常要經(jīng)過數(shù)模轉換，往往由圖像采集卡來完成這個任務，輸出的形式一般為裸圖；在生成目標圖像文件之前，往往都需要對文件的格式進行處理?？萍嫉陌l(fā)展日新月異，數(shù)碼攝像機、數(shù)碼相機在人們的生活中已經(jīng)非常普及了，這些設備可以作為圖像處理的輸入設備，可以為圖像處理提供相應的信息源。但是不管是哪種設備，提供信息的圖像文件格式總是一定的，常用的圖像文件格式有JPG格式、BMP格式等，所以進行數(shù)字圖像處理之前，需要具備一定的圖像格式方面的知識，有了基礎上才能進行進一步的處理。

在對圖像文件格式進行講述之前，我們先對圖像做一個簡單的分類。除最簡單的圖像之外，所有的圖像都是有顏色的，單色圖像是格式最簡單的有顏色的圖像，它往往由白色區(qū)域和黑色區(qū)域組成，將每個像素都用一個比特來表示，分別用0和1來表示白色和黑色，當然1和0反過來也是可以的，我們把這種圖像成為二值圖像。還可以用8個比特即一個字節(jié)來表示一個像素，這樣就相當于把白和黑等分成了256個等級，用0來表示黑色，用255來表示為白色，字節(jié)數(shù)值的大小對應著相應的像素值的灰度值，數(shù)值的大小越接近0，對應的像素點就越黑，相反的如果越接近1，那么對應的像素點就越白，我們把這種圖像叫做灰度圖像。我們把灰度圖像和單色圖像統(tǒng)稱為黑白圖像，與黑白圖像相對應存在彩色圖像，彩色圖像就要復雜很多，我們在描述圖像的時候，被用到的圖像的彩色模式往往有RGB模式、HIS模式等，RGB模式是最常被使用的模式，RGB模式中的R代表紅色（Red），G代表綠色（Green），B代表藍色（Blue），紅綠藍被稱為三基色，通過對RGB三個顏色通道的變換和它們之間的相互疊加所有的任意顏色，相應的，每一個彩色圖像的像素都需要由3個樣本所組成的一組數(shù)據(jù)來表示，三個樣本對應著該像素RGB三通道所包含的信息。2.2.2色彩空間簡介該小節(jié)將對色彩空間做簡要介紹，色彩空間是指在計算機的視覺系統(tǒng)中計算機用來分析顏色的三維空間。之所以要區(qū)分不同的色彩空間，是因為在計算機的視覺系統(tǒng)當中,從數(shù)字圖像提取色彩特征因不同的色彩空間而異,怎樣準確地表征原始圖像就轉化成為色彩空間的色彩表示和對色彩理論表達和人眼視覺系統(tǒng)的一致性的問題了,所以只有在符合人眼的視覺系統(tǒng)特性的色彩空間中提取的內(nèi)鏡圖像所含的顏色特征才可以更有效的來表征內(nèi)鏡圖像。計算機的視覺中用來表示圖像常見的色彩空間有RGB顏色空間、HIS顏色空間、YUV顏色空間等。（1）RGB顏色空間在圖像處理的實際應用中最常見到的一種顏色空間就是RGB顏色空間了?，F(xiàn)有的大部分圖像采集的設備(如光學傳感器、攝像頭等)最開始采集到的色彩信息都是光線的RGB值,所以RGB顏色空間是最為基礎的色彩空間。使用RGB顏色空間來表示圖像是以三種基本顏色為基礎的,分別是紅(R)、綠(G)、藍(B)三種基色。如圖2.3所示。圖2.3RGB顏色空間模型(2)HSV顏色空間HSI模型是美國一位名為孟塞爾(H.A.Munseu)的色彩學家于1915年提出的，它反映了人類的視覺系統(tǒng)是以何種方式感知彩色的。其3個顏色分量H、S和V，分別表示色調H(Hue)、飽和度S(Saturation)、強度I(Intensity)。色調與光線的波長相關，表示了人的感官對于不同顏色的感受，例如紅色、綠色、藍色等，色調也可以用來表示一定范圍的顏色，例如暖色、冷色等。飽和度表示著顏色的純度，純的光譜色完全飽和，加入了白光后會飽和度會被稀釋。飽和度決定了顏色的鮮艷程度，其值越大色彩看上去就越鮮艷。強度對應著成像的亮度和圖像的灰度，即色彩的明亮程度。HSI顏色空間模型是用一個椎體來表示顏色的，如圖2.4所示。圖2.4HSI顏色空間模型HSI模型的建立基于兩個重要的事實：(1)I分量與圖像的彩色信息無關；(2)H和S分量與人感受顏色的方式是緊密相聯(lián)的。這些特點使得HSI模型非常適合彩色特性檢測與分析。YUV顏色空間YUV顏色空間的基本思想是通過丟掉色度信息來達到減少占用存儲空間的目的;其分量表示亮度信息,u和v分量分別表示不同的色差信息。因為人眼視覺系統(tǒng)對亮度信息比對色度信息更為敏感,因此可以讓相鄰的若干像素共用一個色度值。由于YUV空間的這種特性使得其更適用于圖像的壓縮和傳輸中,不是很適合用在特征提取與分類系統(tǒng)中。2.3膠囊內(nèi)鏡紋理特征自從Ojala提出局部二進制模式(LocalBinaryPattern,簡稱LBP)特征提取方法以來，得到了各研究領域的廣泛關注。事實證明，該紋理特征在工業(yè)視覺的檢測、處理醫(yī)學圖像和人臉識別等領域的表現(xiàn)都很出色。局部二進制模式是原理易懂使用起來也非常簡單有效的提取紋理特征的方法,而且其對于尺度和旋轉具有不變性,該算法在分類系統(tǒng)中有很強的非參數(shù)辨別性。下面對該算法的基本思想做簡要介紹:對待處理的灰度圖像,分析出一定大小的局部區(qū)域中的每個像素值同鄰域的像素值之間的差異，用來描述局部圖像紋理結構的特征。每幅圖像都是由很多鄰域組成的,所以每個鄰域中的局部二進制模式的紋理結構如果出現(xiàn)了一定的規(guī)律，那么一定的紋理就構成了,如果對這些紋理結構進行統(tǒng)計分析將會得到能夠表征整幅圖像的紋理信息，通過紋理信息我們就可以將圖像進行分類了。最基本的局部二進制模式定義的鄰域是一個大小為3x3的窗口,取位置處于中心的像素的灰度值作為最初的閾值,將其八個鄰域像素的灰度值與該閾值進行比對,如果鄰域像素的灰度值和該閾值的差值大于或等于O那么用1替代該位置上的原像素的值,否則用0替代，計算過程如圖2.500010100010111123456789圖2.5LBP值計算過程示意圖經(jīng)過這樣比較,按照逆時針的方向將其記為一個數(shù)串,一個3X3大小的窗口可以產(chǎn)生一個8bit的無符號二進制數(shù)。上圖產(chǎn)生的數(shù)為00011110，在將該二進制數(shù)轉換為十進制數(shù)即23，得到了LBP值。對每個像素點進行此處理可得到LBP圖像。圖2.6LBP紋理轉換前后的圖像該方法雖然不能直接判斷出流血區(qū)域，但該算法中將每個像素點與領域進行比較的思想給了我啟發(fā)。2.3胃鏡圖像病灶檢測關鍵技術基于胃鏡圖像的計算機輔助病灶檢測技術經(jīng)過多年的發(fā)展，已經(jīng)形成一套比較成熟的體系結構，檢測流程如圖2.7所示：分割出感興趣的區(qū)域分割出感興趣的區(qū)域提取特征提取特征分類器識別分類器識別得到篩選方法得到篩選方法圖2.7病灶檢測基本流程流血區(qū)域的檢測也不例外，其細節(jié)部分可能有所差異，但基本流程都是相通的。在本節(jié)將對識別單位的劃分和分類器識別做相關介紹。2.2.1識別單位的劃分識別單位的劃分作為計算機輔助檢測技術的第一步，是整個檢測系統(tǒng)的一個基礎環(huán)節(jié)。一種不合理的識別單位劃分方法會引入大量的噪聲，直接影響到整個檢測系統(tǒng)的性能，由此可見，設計或選取一種合理的劃分方法，對于整個檢測系統(tǒng)性能的好壞起到了決定性作用。由于此步驟的關鍵性，研究人員設計了多種不同的劃分方法，下面將選取幾種典型的劃分方法進行詳細介紹。為了減少胃鏡圖像中的氣泡、食物殘渣和陰影的影響，將膠囊胃鏡圖像劃分成若干個相同大小的正方形小區(qū)域。如圖2.8所示。圖2.8矩形分割方式圖從上面的方法可以看出，這種采用固定模板的劃分方式，其劃分過程存在一定的隨機性，即有可能劃分后的小矩形區(qū)域都是正常組織圖像，或都是病灶組織圖像，但也有可能同時包含正常組織、病灶組織或干擾因素的圖像，這無疑會對檢測結果造成巨大的影響，使得檢測結果不穩(wěn)定。因此為了避免這種固定模板分割方法的局限性，有方法將圖像劃分成相互重疊的圓形區(qū)域，如圖2.9所示。圖2.9重疊圓形分割方式圖這種劃分方法由于劃分區(qū)域相互重疊，可以在一定程度上減小同一區(qū)域包含不同類型像素的缺陷，但也不能保證圓形區(qū)域內(nèi)像素的一致性，而且這種劃分方式重復計算了很多區(qū)域，使得計算復雜度明顯提高，系統(tǒng)的檢測效率下降。與此劃分方法類似的方法還有滑動窗口法，滑動窗口法首先要設定大小固定的區(qū)域，此區(qū)域可以在待檢測的圖像內(nèi)按照一定的步長緩慢移動，每移動一次，窗口內(nèi)所包含的區(qū)域作為檢測單元。由于胃部病灶區(qū)域根本不具有固定的形狀和大小，所以說采用事先設置好的區(qū)域來劃分待檢測圖像無疑會引入大量噪聲。因此有研究人員提出采用圖像分割算法對胃鏡圖像進行分割，將分割后的區(qū)域作為檢測單元。但是胃鏡圖像常帶有氣泡和食物殘渣等干擾因素，并且病灶區(qū)域邊界模糊，對分割算法提出了更高的要求。也有采用均值漂移算法對胃鏡圖像進行分割處理，以適應病灶區(qū)域不規(guī)則的特點。但該分割算法是基于整幅圖像的，因此針對批量不同的胃鏡圖像，無法找到算法的一個適當分割閾值，常常出現(xiàn)過分割或欠分割的情況，這導致該算法在現(xiàn)實復雜的應用環(huán)境下檢測結果并不穩(wěn)定。所以本文還是采用了矩形分割方式。2.3.2基于圖像特征的分類識別檢測單元的劃分和特征提取都是為了運用分類器對待檢測區(qū)域進行預測分類。在近幾年來，各種分類器被廣泛地應用到了胃鏡圖像的病灶檢測當中。下面將對在胃鏡圖像病灶檢測中應用廣泛的幾種分類器進行介紹。人工神經(jīng)網(wǎng)絡（ArtificialNeuralNetwork，即ANN），又被簡稱為神經(jīng)網(wǎng)絡，它是模仿生物神經(jīng)網(wǎng)絡的功能和結構的計算模型或數(shù)學模型，很多的人工神經(jīng)元連接組成一個神經(jīng)網(wǎng)絡。大多數(shù)時候人工神經(jīng)網(wǎng)絡可以基于外界信息來改變其內(nèi)部的結構，它是一種自適應系統(tǒng)。神經(jīng)網(wǎng)絡結構圖如圖2.10所示。每一個節(jié)點都代表著一種相應的輸出函數(shù)，我們把這些函數(shù)稱之為激勵函數(shù)。兩兩節(jié)點之間的連接都代表了一個通過這個連接的信號的加權值，該值被稱為權重，這就相當于是人工神經(jīng)網(wǎng)絡的記憶。網(wǎng)絡的激勵函數(shù)、權重值和連接方式共同決定了網(wǎng)絡的輸出。而網(wǎng)絡自身通常都是對自然界某種算法或者函數(shù)的逼近，也可能是對一種邏輯策略的表達。tbwnw2w11ana2a1fsumtbwnw2w11ana2a1fsum圖2.10神經(jīng)元結構圖圖2.10中,a1,a2,…,an表示輸入的n維向量中各維度的分量，w1,w2,…,wn為神經(jīng)元各連接信號的權值，b為偏置值，SUM為輸入的向量與各權值的內(nèi)積與偏置值的和f叫做傳遞函數(shù)，通常將其選取為非線性函數(shù)，該過程可以用數(shù)學公式表達為：t=f(·’+b)(2.1)以往的文獻中，基于灰度級紋理特征的神經(jīng)網(wǎng)絡分析方法多次被研究人員采用，其中灰度級的紋理特征包括紋理頻譜(TextSpectrum)、灰度級共生矩陣(GrayLevelCo-occurrenceMatrix)、局部二值模式(LocalBinaryPatterns)和小波域共生矩陣(WaveletDomainCo-occurrenceMatrixFeatures).近年來，支持向量機(SupportVectorMachine,簡稱SVM)得到了廣泛地應用。1995年Vapnik和Cortes提出支持向量機的概念，經(jīng)過多年的發(fā)展，SVM在眾多領域得到了越來越多的關注。與其他機器學習方法相比，在解決小樣本、非線性以及高維模式識別的問題中表現(xiàn)出色。支持向量機的基本思想是將向量映射到一個更高維的空間里，在這個高維空間里建立一個最大間隔超平面，同時在這個超平面的兩側再建立兩個相互平行的超平面，分隔超平面使兩個平行超平面的距離最大化。當平行的超平面間的距離越大，則分類器的總誤差越小。在檢測膠囊胃鏡視頻關鍵幀的方法研究中，提取了幀圖像的顏色特征和紋理特征，并采用貝葉斯分類器與支持向量機作了對比性實驗。除此之外，支持向量機還曾應用在小腸腫瘤檢測、胃部潰瘍區(qū)域檢測、腸息肉檢測以及胃部出血的檢測中。2.4本章小結本章首先介紹了特征提取基本原理與理論，以及其涉及到的相關方法和技術。在此基礎上，顏色特征和紋理特征方面的基礎知識，并根據(jù)病灶檢測流程的關鍵步驟中的基于圖像特征的分類識別區(qū)域的劃分進行深入的闡述，并剖析了現(xiàn)有技術存在的不足。第三章檢測方法設計與實現(xiàn)本章在前面介紹的理論的基礎上，引出我所采用的方法，介紹用到的軟件里使用的相關技術，和確定篩選方法的具體流程。主要流程圖如圖3.1所示從視頻流中取出一幀一幀的圖像從視頻流中取出一幀一幀的圖像利用提取的特征分析整張胃鏡圖像，得到大致方法，修改閾值，確認具體方法統(tǒng)計分析小塊中流血區(qū)域與非流血區(qū)域的差異，提取判別特征將圖片分割成小塊，可視化顯示其色彩信息利用提取的特征分析整張胃鏡圖像，得到大致方法，修改閾值，確認具體方法統(tǒng)計分析小塊中流血區(qū)域與非流血區(qū)域的差異，提取判別特征將圖片分割成小塊，可視化顯示其色彩信息圖3.1確定篩選方法的主要流程圖

3.1視頻流取幀圖3.1確定篩選方法的主要流程圖由于所用到的樣本是10位檢測者的膠囊內(nèi)鏡部分的視頻，無法直接分析視頻中流血區(qū)域的特征，所以我們需要將視頻分成一幀一幀的圖片，將圖片包含的信息可視化，才能找出作為區(qū)分的特征。由于要花費大量時間在特征提取與數(shù)據(jù)分析上，所以直接采用了現(xiàn)成的軟件premiere進行視頻分幀。premiere一款常用的視頻編輯軟件，由Adobe公司推出?，F(xiàn)在常用的有CS4、CS5、CS6、CC以及CC2014版本。是一款編輯畫面質量比較好的軟件，有較好的兼容性，且可以與Adobe公司推出的其他軟件相互協(xié)作。目前這款軟件廣泛應用于廣告制作和電視節(jié)目制作中。為了確保樣本的隨機性，用premiere提取了每個檢測者的每個視頻隨機的10-12s,每秒5幀的圖片(原視頻幀速率為5幀/秒)，總共得到了約500張圖片作為樣本。再觀察500張圖片，用一個大小為58*58的小方格去截取這些圖片中一些明顯流血與明顯正常的區(qū)域，得到了20張流血子圖和56張正常子圖。醫(yī)生判斷圖片是否為流血圖片最主要的依據(jù)是流血區(qū)域與其周圍色彩的差異，所以對子圖的RGB各通道的中值方差等信息進行比對變得非常有意義，于是編寫程序提取了子圖中RGB單通道和灰度的均值，記錄在了excel中，為后面統(tǒng)計分析提供具體的數(shù)值依據(jù)。3.2KNN鄰近規(guī)則與子圖的分類流血和正常區(qū)域的區(qū)分主要用到了KNN最鄰近規(guī)則這種分類方法。KNN鄰近規(guī)則，主要應用領域是對未知事物的識別，即判斷未知事物屬于哪一類，判斷思想是，基于歐幾里得定理，判斷未知事物的特征和哪一類已知事物的特征最接近；KNN鄰近規(guī)則，是最簡單的機器學習的算法之一，也是目前理論上較為成熟的方法。KNN最鄰近規(guī)則的思路是：若一個樣本在特征空間中的k個最相似(即特征空間中最鄰近)的樣本中的大多數(shù)屬于某一個類別，那么該樣本也屬于這個類別。KNN算法中，都是選擇以已經(jīng)正確分類的對象作為鄰居。KNN鄰近規(guī)則在定類決策上僅依據(jù)最鄰近的一個或者多個樣本的種類來決定待分樣本所屬的種類。KNN方法雖然從原理上也依賴于極限定理，但在類別決策時，只與極少量的相鄰樣本有關。由于KNN方法主要靠周圍有限的鄰近的樣本，而不是靠判別類域的方法來確定所屬類別的，因此對于類域的交叉或重疊較多的待分樣本集來說，KNN方法較其他方法更為適合。KNN算法不僅可以用于分類，還可以用于回歸。通過找出一個樣本的k個最近鄰居，將這些鄰居的屬性的平均值賦給該樣本，就可以得到該樣本的屬性。更有用的方法是將不同距離的鄰居對該樣本產(chǎn)生的影響給予不同的權值(weight)，如權值與距離成正比（組合函數(shù)）。

KNN鄰近規(guī)則在應用時最重要的缺陷是，如果樣本不平衡，比如當遇到一個容量很大的樣本時，但是其他的樣本的容量都很小的時候，可能導致的結果是，一個新的樣本被輸入進來的時候，新樣本的K個最近鄰居在容量很大的類的樣本中占了絕大多數(shù)。該算法只計算“最近的”鄰居樣本，某一類的樣本數(shù)量很大，那么或者這類樣本并不接近目標樣本，或者這類樣本很靠近目標樣本。不管怎么樣，不可以讓數(shù)量影響了運算的結果。可以采用加上相應的權值來減少一定的該方面的影響。這個方法另外一個缺點是計算量很大，因為每一個新進來的類都要計算其與其他所有已知樣本之間的距離，來求取他的K個最近鄰居。現(xiàn)在最常用的解決方法是預先對已知樣本點進行篩選，預先剔除掉對分類作用影響很小的樣本。K-NN可以說是一種最直接的用來分類未知數(shù)據(jù)的方法。圖3.2表達了K-NN的基本原理圖3.2K-NN基本原理圖簡單來說，K-NN可以看成：有那么一堆你已經(jīng)知道分類的數(shù)據(jù)，然后當一個新數(shù)據(jù)進入的時候，就開始跟訓練數(shù)據(jù)里的每個點求距離，然后挑離這個訓練數(shù)據(jù)最近的K個點看看這幾個點屬于什么類型，然后用少數(shù)服從多數(shù)的原則，給新數(shù)據(jù)歸類。在實際應用時，之前編寫程序從子圖中提取了R、G、B和灰度的均值和方差，依次取其中兩個量分別作為X軸、Y軸繪制XY散點圖，觀察點分布的差異情況，發(fā)現(xiàn)子圖R均值和灰度的均值分別作為兩坐標軸時流血子圖的散點和正常子圖的散點分布區(qū)域差異最為明顯。散點圖如圖3.3所示圖3.3散點圖3.3篩選部位的分析通過上述的分析，決定選取灰度均值和R的均值作為特征量來作為篩選流血圖片的依據(jù)，但是在將這兩個量直接應用去分析全圖時，受腸胃中食物殘渣、燈光陰影、腸胃褶皺等的干擾，存在很高的誤判率，再次觀察從視頻流中提取的所有500張胃鏡圖像，發(fā)現(xiàn)小腸部分幾乎沒有流血區(qū)域，但是由于其絨毛的干擾，最易造成誤判，所以暫不將小腸列入分析的部分。而且對于有大量流血區(qū)域的胃鏡圖像，一定能報出其中的流血區(qū)域，所以在下面的統(tǒng)計分析中，重點放在了沒有絨毛，只有少量流血區(qū)域的圖片上，所以決定再次提取2位檢測者同一非小腸的部位取一段視頻連續(xù)部分的更多圖片進行分析，這樣讓方法的準確率得到了保障。如果能有可以識別出膠囊內(nèi)鏡拍攝圖片所處腸胃哪個部位的軟件，或者剔除掉含有小腸絨毛和正在腸道中穿行的圖片，識別的正確率將得到進一步的提升。圖3.4含有絨毛的圖像3.4分割方式與大小的確定受到LBP紋理圖像轉換中將一個像素點與周圍鄰域8個像素點進行比較分析此種做法的啟發(fā)，在判斷整個胃鏡圖像時，將整張胃鏡圖像分割成n*n個小塊后，采取對每個小塊與其4個相鄰小塊進行比對的方法，來對圖像進行分析。在進行比對時，仍選取灰度均值和R均值作為比對的特征。原始圖像的大小是1028*720，如圖3.4所示，含有大量的沒有包含任何相關有用信息的黑色邊緣部分，首先要編寫程序將圖片中有用的部分分割出來，用matlab處理原圖像后得到只含有有用區(qū)域的圖像，然后對圖像進行分塊，查閱其他文獻中的矩形分割方式得到一般將圖像成大小為40*40左右的小塊，嘗試著將圖片分成了大小為50*50、45*45、40*40最為預備分割方案，如圖3.5。在后面的處理中，依次嘗試了每種大小的分法去處理圖片，再選出最佳的分割大小。發(fā)現(xiàn)40*40大小的分割方式擁有最高的正確率，后面的