一种图像边缘近邻描述特征算子的提取方法

摘要

本发明公开了一种边缘近邻描述特征算子的提取方法，包括以下步骤：(1)取医学图像组成训练集，分割训练集中每幅图像的病灶区域；(2)对每幅图像的病灶区域的边缘进行采样，得到所有采样点特征形成的矩阵作为原始的高维特征空间；(3)压缩原始的高维特征空间的维数，得到低维特征空间；(4)在低维空间进行聚类，获得低维空间的聚类中心；(5)将低维特征矩阵的每一列看作是一个样本，统计所有样本点落在每个聚类中心的个数，则个数值排列即为新图像的边缘近邻描述特征算子。本方法实现了对一种新的图像特征——边缘近邻描述特征算子的提取方法，该特征算子体现了目标图像的边缘邻域灰度变化情况，可广泛用于图像配准、分割、检索等领域。

权利要求

1.一种图像边缘近邻描述特征算子的提取方法，其特征在于包括以下步骤：

(1)分割训练集中每幅图像的病灶区域；

(2)对每幅图像的病灶区域的边缘进行采样，得到所有采样点特征形成的矩阵作为原始的高维特征空间；

(3)压缩原始的高维特征空间的维数，得到低维特征空间；

(4)在低维空间进行聚类，获得低维空间的聚类中心；

(5)对一幅新图像重复步骤(1)、(2)、(3)的操作，得到低维特征矩阵，将低维特征矩阵的每一列看作是一个样本，统计所有样本点落在每个聚类中心的个数，并将个数值排列作为一个向量，则所述向量即为所述新图像的边缘近邻描述特征算子。

2.根据权利要求1所述的图像边缘近邻描述特征算子的提取方法，其特征在于：所述步骤(1)中训练集由已知病灶类型的医学图像组成，已知病灶类型的医学图像的数量的取值范围为100至500幅。

3.根据权利要求1所述的图像边缘近邻描述特征算子的提取方法，其特征在于：所述步骤(2)中的采样点的选取过程为：对每幅图像的病灶边缘点均匀采样，选取n个采样本点，对每个采样本点分别沿垂直于边缘的方向向内和向外再各取m个像素点，从而每幅图像得到大小为(2m+1)*n个采样点并形成(2m+1)×n的矩阵，则整个训练集中得到大小为(2m+1)×n*i的矩阵，其中i为训练集中图像数量，作为原始的高维特征空间，所述n取值为

100，所述m取值为10。

4.根据权利要求1所述的图像边缘近邻描述特征算子的提取方法，其特征在于：所述步骤(3)中将原始的特征向量维数采用主成分分析的方法由高维特征空间降至低维特征空间。

5.根据权利要求1所述的图像边缘近邻描述特征算子的提取方法，其特征在于：所述步骤(4)中将每幅图像的降维矩阵看作由该降维矩阵的列数个样本点所构成的数据集，利用C均值方法对该降维矩阵进行聚类。

说明书

一种图像边缘近邻描述特征算子的提取方法

技术领域

[0001] 本发明涉及一种图像处理方法，具体来说涉及一种图像边缘近邻描述特征算子的提取方法。

背景技术

[0002] 图像特征提取是图像识别的关键步骤，图像特征提取的效果直接决定着图像识别的效果。如何从原始图像中提取具有较强表示能力的图像特征是智能图像处理的一个研究热点。

[0003] 图像分割、配准、检索等图像处理技术通常使用低级特征(如颜色、纹理，形状)来描述图像。颜色(灰度)直方图是实践中最常用的图像统计特征。大多数医学图像都是灰度图像，这时颜色信息将无法采用。纹理特征是表示图像的另一种重要的视觉特征，纹理结构反映图像亮度的空间变化情况，具有局部与整体的自相似性。纹理是由纹理基元按某种确定的规律或统计规律排列而形成的局部结构化特征，在纹理区域内各部分具有大致相同的结构。提取纹理特征的一些方法有共生矩阵法、Tamura纹理特征、Gabor滤波法及小波方法等。尽管纹理是计算机视觉和图像处理领域中一个重要的研究内容，但由于纹理具有广泛性和多样性，因而对纹理还没有一个大家都能接受的精确定义。

[0004] 相对于颜色或纹理等低层形状特征而言，形状特征属于图像的中间层特征，它作为刻画图像中物体和区域特点的重要特征，是描述高层视觉特征(如目标、对象)的重要手段。形状是特征提取研究中另一个常用的特征。表述形状特征的方法主要有：不变矩方法、傅立叶方法、方向直方图、方向共生矩阵和小波变换方法等。形状度量方法不具有良好的形状区分能力，不能有效的表达形状之间的相似性。

[0005] 图像边缘是指图像灰度发生空间突变或者在梯度方向上发生突变的像素的集合，它往往是由图像中景物的物理特性发生变化而引起的，是图像的基本低层特征之一。肿瘤在人脑中位置、大小和形状的变化较大，不同种类的肿瘤在MRI图像中呈现的灰度差异很大，在MRI图像中肿瘤和正常脑组织的灰度概率密度分布会有重叠，同时伴有占位效应或渗透效应.灌注对比剂后肿瘤的不同部分可能获得不同程度的增强，肿瘤周围可能出现水肿。因此，需要一种新的特征来描述肿瘤边缘处的灰度变化。

发明内容

[0006] 本发明的目的在于提供一种图像边缘近邻描述特征算子的提取方法，本方法实现了对一种新的图像特征——边缘近邻描述特征算子的提取方法，该特征算子能够体现目标图像的边缘邻域灰度变化情况，可广泛用于图像配准、分割、检索等领域。

[0007] 本发明的目的可通过以下的技术措施来实现：

[0008] 一种图像边缘近邻描述特征算子的提取方法，包括以下步骤：

[0009] (1)分割训练集中每幅图像的病灶区域；

[0010] (2)对每幅图像的病灶区域的边缘进行采样，得到所有采样点特征形成的矩阵作为原始的高维特征空间；

[0011] (3)压缩原始的高维特征空间的维数，得到低维特征空间；

[0012] (4)在低维空间进行聚类，获得低维空间的聚类中心；

[0013] (5)对一幅新图像重复步骤(1)、(2)、(3)的操作，得到低维特征矩阵，将低维特征矩阵的每一列看作是一个样本，统计所有样本点落在每个聚类中心的个数，并将个数值排列作为一个向量，则所述向量即为所述新图像的边缘近邻描述特征算子。

[0014] 所述步骤(1)中训练集由已知病灶类型的医学图像组成，已知病灶类型的医学图像的数量的取值范围为100至500幅。

[0015] 所述步骤(2)中的采样点的选取过程为：对每幅图像的病灶边缘点均匀采样，选取n个采样本点，对每个采样本点分别沿垂直于边缘的方向向内和向外再各取m个像素点，从而每幅图像得到大小为(2m+1)*n个采样点并形成(2m+1)×n的矩阵，则整个训练集中得到大小为(2m+1)×n*i的矩阵，其中i为训练集中图像数量，作为原始的高维特征空间。

[0016] 所述步骤(3)中将原始的特征向量维数采用主成分分析的方法由高维特征空间降至低维特征空间。

[0017] 所述步骤(4)中将每幅图像的降维矩阵看作由该降维矩阵的列数个样本点所构成的数据集，利用C均值方法对该矩阵进行聚类。

[0018] 所述聚类数取值为j，得到j个聚类中心，则统计出一个j维的向量作为边缘近邻描述特征算子，j的范围是16至64。

[0019] 本发明方法相对于现有技术来说，具有以下的有益效果：本方法主要提出边缘近邻描述特征算子的图像特征，该图像特征能够体现目标图像的边缘邻域灰度变化情况，特别运用于描述肿瘤边缘的灰度变化情况。同时，本方法还提供了该特征算子的提取方法，使得本方法可广泛用于图像配准、分割、检索等领域。

附图说明

[0020] 图1是本发明的边缘近邻描述特征算子的提取方法的流程图；

[0021] 图2是一幅图像的病灶边缘采样点示意图。

具体实施方式

[0022] 图1示出了本发明的图像边缘近邻描述特征算子的提取方法的具体流程，步骤如下：

[0023] (1)取已知病灶类型的医学图像组成训练集，分割出训练集中每幅图像的病灶区域；训练集中已知病灶类型的医学图像的数量的取值范围为100至500幅。

[0024] (2)对每幅图像的病灶区域的边缘进行采样，得到所有采样点特征形成的矩阵作为原始的高维特征空间；采样点的选取过程为：对每幅图像的病灶边缘点均匀采样，选取n个采样本点，对每个采样本点分别沿垂直于边缘的方向向内和向外再各取m个像素点，从而每幅图像得到大小为(2m+1)*n个采样点并形成(2m+1)×n的矩阵，则整个训练集中得到大小为(2m+1)×n*i的矩阵，其中i为训练集中图像数量，作为原始的高维特征空间。

[0025] (3)采用主成分分析的方法压缩原始的高维特征空间的维数，得到低维特征空间；直接对训练集提取得到的特征具有一定的冗余性，是一种高维特征，而经降维后可以减少这种冗余性，因此需要对高维矩阵降维得到低维矩阵。

[0026] (4)在低维空间进行聚类，获得低维空间的聚类中心；

[0027] (5)对一幅新图像重复步骤(1)、(2)、(3)的操作，得到低维特征矩阵，将低维特征矩阵的每一列看作是一个样本，统计所有样本点落在每个聚类中心的个数，并将个数值排列作为一个向量，则所述向量即为所述新图像的边缘近邻描述特征算子。每幅图像的降维矩阵看作由该降维矩阵的列数个样本点所构成的数据集，利用C均值方法对该矩阵进行聚类。聚类数取值为j，得到j个聚类中心，则统计出一个j维的向量作为边缘近邻描述特征算子，j的范围是16至64。

[0028] 下面针对一个具体实施方式详细阐述本发明的工作流程：

[0029] 步骤1，取200幅含有脑膜瘤的脑部磁共振图像作为训练集，分割出训练集中每幅图像的病灶区域。

[0030] 步骤2，如图2所示，对每幅图像的病灶边缘点进行均匀采样，选取100个样本点，分别沿垂直于边缘的方向向内和向外各取10个像素点，从而每幅图像得到大小为21×100的矩阵，200幅训练集图像可得到大小为21×20000的矩阵，即获得原始的高维特征空间。

[0031] 步骤3，本发明将原始的特征向量维数利用主成分分析的方法由21维降至4维，即得到大小为4×20000的降维矩阵。

[0032] 步骤4，将降维矩阵看作由20000个样本点构成的数据集，利用C均值等聚类方法对其进行聚类，聚类数为32，从而得到32个聚类中心。

[0033] 步骤5，对一幅新的图像重复步骤1，2，3的操作。分割出该幅新图像的病灶区域；对新图像的病灶边缘点进行均匀采样，选取100个样本点，分别沿垂直于边缘的方向向内和向外各取10个像素点，从而每幅图像得到大小为21×100的矩阵；将特征向量维数利用主成分分析的方法由21维降至4维，得到4×100的降维矩阵；将其看作由实100个样本点构成的数据集，统计它们落在步骤(4)中32个聚类中心的个数，从而得到一个32维的向量，即为边缘近邻描述特征算子。

[0034] 本发明的实施方式不限于此，上述训练集中图像的数量、采样点的数量、矩阵的维数，都可以根据实际需要进行选取，以适应不同的实际需求，因此，在本发明上述基本技术思想前提下，按照本领域的普通技术知识和惯用手段对本发明内容所做出其它多种形式的修改、替换或变更，均落在本发明权利保护范围之内。