本发明公开了一种LTP与HOG特征融合的乳腺肿瘤检测系统及方法，该检测方法包括：获取采集的乳腺肿瘤图像，建立图像训练样本库；对样本图像进行自适应二值化处理以及二维离散Haar小波变换，得到4个样本子图像；从样本子图像中的低频部分子图像提取HOG特征；从水平方向部分子图、垂直方向部分子图像以及对角线方向部分子图像中提取LTP特征；将提取到的特征进行归一化处理，形成HOG‑LTP特征；建立SVM模型；将样本图像作为输入量，HOG‑LTP特征作为期望输出量对SVM模型进行样本训练；计算得到待检测的乳腺肿瘤图像的HOG‑LTP特征；将计算得到的HOG‑LTP特征输入训练后的SVM模型中，检测输出的乳腺肿瘤图像。该发明能在保证检测精度的同时提高检测效率。
1.一种LTP与HOG特征融合的乳腺肿瘤检测方法，其特征在于，包括：获取采集的乳腺肿瘤图像，建立乳腺肿瘤图像训练样本库；
对样本图像进行自适应二值化处理以及二维离散Haar小波变换，得到4个样本子图像；
所述对样本图像进行自适应二值化处理，具体包括：对样本图像进行自适应滤波处理，获得滤波样本图像，提高滤波样本图像中目标与背景的灰度对比度，具体步骤包括：对滤波样本图像进行全局亮度调整，提高滤波样本图像中目标与背景的灰度对比度；
根据选取的邻域计算模板的大小将滤波样本图像的信息分成信息块；
采用全局与局部阈值结合的方法对每个信息块进行逐点二值化，获得二值样本图像；
从所述4个样本子图像中的低频部分子图像提取HOG特征；从水平方向部分子图、垂直方向部分子图像以及对角线方向部分子图像中提取LTP特征；
LTP特征在尺度方面将原始LBP的圆形邻域结构扩展为一个椭圆的局部结构；
所述从所述4个样本子图像中的低频部分子图像提取HOG特征，从水平方向部分子图、垂直方向部分子图像以及对角线方向部分子图像中提取LTP特征，具体包括：采用公式：
从水平方向部分子图、垂直方向部分子图像以及对角线方向部分子图像中提取LTP特征；
p为周围邻域像素点个数，会产生3 种模式，gp为第p个邻域像素的灰度值；μ为局部区域像素均值，σ为标准差，Δl为局部纹理反差；
其中，sum1为周边像素gp中大于或等于中心像素的灰度值和，n1为个数；sum2为周边像素gp中小于中心像素的灰度值和，n2为个数；
将提取到的HOG特征与LTP特征进行归一化处理，形成HOG‑LTP特征；
将所述样本图像作为输入量，所述HOG‑LTP特征作为期望输出量对SVM模型进行样本训练；
对待检测的乳腺肿瘤图像进行自适应二值化处理以及二维离散Haar小波变换，得到4个新的样本子图像；
计算得到待检测的乳腺肿瘤图像的HOG‑LTP特征；
将计算得到的HOG‑LTP特征输入训练后的SVM模型中，检测输入的乳腺肿瘤图像。
2.根据权利要求1所述的一种LTP与HOG特征融合的乳腺肿瘤检测方法，其特征在于，所述采集乳腺肿瘤图像，建立乳腺肿瘤图像训练样本库，具体包括：获取采集的乳腺肿瘤负样本与正样本比例保持在10:1左右；根据获取的乳腺肿瘤负样本与正样本建立乳腺肿瘤图像训练样本库。
3.根据权利要求1所述的一种LTP与HOG特征融合的乳腺肿瘤检测方法，其特征在于，所述对样本图像进行自适应二值化处理以及二维离散Haar小波变换，得到4个样本子图像，具体包括：对样本图像进行自适应二值化处理后，采用公式：对样本图像进行二维离散Haar小波变换；
Haar小波函数是一个差分函数，可用解析的方法表示为：等效的频域表示为：
其中，WTx(a,τ)是a和τ的函数，a是尺度因子，τ为平移因子，X(ω)、ψ(ω)分别是x(t)、ψ(t)的傅里叶变换，ψ(t)表示做位移τ后的基本小波函数，x(t)表示待分析信号。
4.根据权利要求1所述的一种LTP与HOG特征融合的乳腺肿瘤检测方法，其特征在于，所述计算得到待检测的乳腺肿瘤图像的HOG‑LTP特征，具体包括：采用公式：
F(I)＝FHOG(ILL)，FELTP(ILH)，FELTP(IHL)，FELTP(IHH)得到待检测的乳腺肿瘤图像的HOG‑LTP特征；
其中，FHOG(ILL)表示低频部分子图像的HOG特征，FELTP(ILH)表示水平方向部分子图像的LTP特征，FELTP(IHL)表示水平方向部分子图像的LTP特征，FELTP(IHH)表示水平方向部分子图像的LTP特征。
5.一种LTP与HOG特征融合的乳腺肿瘤检测系统，其特征在于，包括：训练样本库建立模块，用于获取采集的乳腺肿瘤图像，建立乳腺肿瘤图像训练样本库；
样本子图像获取模块，用于对样本图像进行自适应二值化处理以及二维离散Haar小波变换，得到4个样本子图像；
所述对样本图像进行自适应二值化处理，具体包括：对样本图像进行自适应滤波处理，获得滤波样本图像，提高滤波样本图像中目标与背景的灰度对比度，具体步骤包括：对滤波样本图像进行全局亮度调整，提高滤波样本图像中目标与背景的灰度对比度；
根据选取的邻域计算模板的大小将滤波样本图像的信息分成信息块；
采用全局与局部阈值结合的方法对每个信息块进行逐点二值化，获得二值样本图像；
特征提取模块，用于从所述4个样本子图像中的低频部分子图像提取HOG特征；从水平方向部分子图、垂直方向部分子图像以及对角线方向部分子图像中提取LTP特征；
LTP特征在尺度方面是将原始LBP的圆形邻域结构扩展为一个椭圆的局部结构；
所述特征提取模块，具体包括：HOG特征提取单元，用于从低频部分子图像提取HOG特征；
LTP特征提取单元，用于采用公式：从水平方向部分子图、垂直方向部分子图像以及对角线方向部分子图像中提取LTP特征；
p为周围邻域像素点个数，会产生3 种模式，gp为第p个邻域像素的灰度值；μ为局部区域像素均值，σ为标准差，Δl为局部纹理反差；
其中，sum1为周边像素gp中大于或等于中心像素的灰度值和，n1为个数；sum2为周边像素gp中小于中心像素的灰度值和，n2为个数；
归一化模块，用于将提取到的HOG特征与LTP特征进行归一化处理，形成HOG‑LTP特征；
样本训练模块，用于将所述样本图像作为输入量，所述HOG‑LTP特征作为期望输出量对SVM模型进行样本训练；
新样本子图像获取模块，用于对待检测的乳腺肿瘤图像进行自适应二值化处理以及二维离散Haar小波变换，得到4个新的样本子图像；
待检测图像特征计算模块，用于计算得到待检测的乳腺肿瘤图像的HOG‑LTP特征；
乳腺肿瘤图像获取模块，用于将计算得到的HOG‑LTP特征向量输入训练后的SVM模型中，检测输入的乳腺肿瘤图像。
6.根据权利要求5所述的一种LTP与HOG特征融合的乳腺肿瘤检测系统，其特征在于，所述训练样本库建立模块，具体包括：获取单元，用于获取采集的乳腺肿瘤负样本与正样本比例保持在10:1左右；
训练样本库建立单元，用于根据获取的乳腺肿瘤负样本与正样本建立乳腺肿瘤图像训练样本库。
7.根据权利要求5所述的一种LTP与HOG特征融合的乳腺肿瘤检测系统，其特征在于，所述样本子图像获取模块，具体包括：自适应二值化处理单元，用于对样本图像进行自适应二值化处理后，采用公式：Haar小波变换单元，用于对样本图像进行二维离散Haar小波变换；
Haar小波函数是一个差分函数，可用解析的方法表示为：等效的频域表示为：
其中，WTx(a,τ)是a和τ的函数，a是尺度因子，τ为平移因子，X(ω)、ψ(ω)分别是x(t)、ψ(t)的傅里叶变换，ψ(t)表示做位移τ后的基本小波函数，x(t)表示待分析信号。
8.根据权利要求5所述的一种LTP与HOG特征融合的乳腺肿瘤检测系统，其特征在于，所述待检测图像特征计算模块，具体包括：计算单元，用于采用公式：
F(I)＝FHOG(ILL)，FELTP(ILH)，FELTP(IHL)，FELTP(IHH)得到待检测的乳腺肿瘤图像的HOG‑LTP特征；
其中，FHOG(ILL)表示低频部分子图像的HOG特征，FELTP(ILH)表示水平方向部分子图像的LTP特征，FELTP(IHL)表示水平方向部分子图像的LTP特征，FELTP(IHH)表示水平方向部分子图像的LTP特征。
一种LTP与HOG特征融合的乳腺肿瘤检测系统与方法
技术领域
[0001] 本发明涉及计算机视觉和医学图像处理技术领域，特别是一种LTP与HOG特征融合的乳腺肿瘤检测系统与方法。
背景技术
[0002] 乳腺肿瘤疾病是女性最常见的恶性肿瘤之一，因此实现对乳腺肿瘤的检测及诊断是当前亟待解决的问题之一。
[0003] 目前，对乳腺肿瘤良恶性的鉴别主要是依赖于超声图像的处理，需要提取乳腺肿瘤超声图像中最典型的特征，用于计算机辅助诊断系统进行检测。现在的临床应用中，诊断
乳腺肿瘤良性或恶性的主要标准是Stavros标准，根据该标准，乳腺超声图像肿瘤特征分为
两类，一类是用常规的超声成像诊断仪测量得到5个特征：乳腺超声图像纹理、肿瘤几何形
状、边缘锋锐程度、肿瘤图像亮度特征和声波回声特性；另一类是使用新的超声成像技
术——超声弹性成像技术检测到的特征：肿瘤形状和钙化特征。国内外学者把乳腺超声图
像纹理特性、肿瘤几何形状和超声波回声特性作为乳腺癌良性和恶性的诊断最主要的依
据。
[0004] 为了提高检索效率，使查询过程在一定范围内进行，同时减少访问图像数据库的次数，在进行相似性匹配之前，进行多特征融合操作。当前常用的多特征融合方法是对特征
向量进行归一化处理，包括内部特征归一化和外部特征归一化。
[0005] 但是，在进行特征融合的过程中，不仅要对不同特征向量进行归一化，而且还要对每个特征向量的各个分量进行归一化，精度虽然高，但计算繁琐，参数设定复杂，检测效率
较低。
发明内容
[0006] 本发明的目的是提供了一种LTP与HOG特征融合的乳腺肿瘤检测系统与方法，能在保证检测精度的同时提高检测效率。
[0007] 为实现上述目的，本发明提供了如下方案：
[0008] 一种LTP与HOG特征融合的乳腺肿瘤检测方法，包括：
[0009] 获取采集的乳腺肿瘤图像，建立乳腺肿瘤图像训练样本库；
[0010] 对样本图像进行自适应二值化处理以及二维离散Haar小波变换，得到4个样本子图像；
[0011] 从所述4个样本子图像中的低频部分子图像提取HOG特征，所述HOG特征表示方向梯度直方图特征；从水平方向部分子图、垂直方向部分子图像以及对角线方向部分子图像
中提取LTP特征，所述LTP特征表示局部三值模式特征，LTP特征在阈值计算过程中引入局部
区域像素均值、标准差和局部纹理反差，突出局部纹理特征；在尺度方面是将原始LBP的圆
形邻域结构扩展为一个椭圆的局部结构，弥补了圆形邻域旋转不变而丢失的信息；
[0012] 将提取到的HOG特征与LTP特征进行归一化处理，形成HOG‑LTP特征；
[0013] 建立SVM模型；
[0014] 将所述样本图像作为输入量，所述HOG‑LTP特征作为期望输出量对SVM模型进行样本训练；
[0015] 对待检测的乳腺肿瘤图像进行自适应二值化处理以及二维离散Haar小波变换，得到4个新的样本子图像；
[0016] 计算得到待检测的乳腺肿瘤图像的HOG‑LTP特征；
[0017] 将计算得到的HOG‑LTP特征向量输入训练后的SVM模型中，检测输出的乳腺肿瘤图像。
[0018] 可选的，所述采集乳腺肿瘤图像，建立乳腺肿瘤图像训练样本库，具体包括：获取采集的乳腺肿瘤负样本与正样本比例保持在10:1左右；根据获取的乳腺肿瘤负样本与正样
本建立乳腺肿瘤图像训练样本库。
[0019] 可选的，所述对样本图像进行自适应二值化处理以及二维离散Haar小波变换，得到4个样本子图像，具体包括：对样本图像进行自适应二值化处理后，采用公式：
[0020]
[0021] 对样本图像进行二维离散Haar小波变换；
[0022] Haar小波函数是一个差分函数，可用解析的方法表示为：
[0023]
[0024] 等效的频域表示为：
[0025]
[0026] 其中，WTx(a,τ)是a和τ的函数，a是尺度因子，τ为平移因子，X(ω)、ψ(ω)分别是x(t)、ψ(t)的傅里叶变换，ψ(t)表示做位移τ后的基本小波函数，x(t)表示待分析信号。
[0027] 可选的，所述从所述4个样本子图像中的低频部分子图像提取HOG特征，从水平方向部分子图、垂直方向部分子图像以及对角线方向部分子图像中提取LTP特征，具体包括：
[0028] 采用公式：
[0029]
[0030] 从水平方向部分子图、垂直方向部分子图像以及对角线方向部分子图像中提取LTP特征；
[0031] 其中，p
[0032] p为周围邻域像素点个数，会产生3 种模式，gp为第p个邻域像素的灰度值；μ为局部区域像素均值，σ为标准差，Δl为局部纹理反差；
[0033] 采用公式：
[0034]
[0035] 计算局部纹理反差Δl；
[0036] 其中，sum1为周边像素gp中大于或等于中心像素的灰度值和，n1为个数；sum2为周边像素gp中小于中心像素的灰度值和，n2为个数。
[0037] 可选的，所述计算得到待检测的乳腺肿瘤图像的HOG‑LTP特征，具体包括：
[0038] 采用公式：
[0039] F(I)＝FHOG(ILL),FELTP(ILH),FELTP(IHL),FELTP(IHH)
[0040] 得到待检测的乳腺肿瘤图像的HOG‑LTP特征；
[0041] 其中，FHOG(ILL)表示低频部分子图像的HOG特征，FELTP(ILH)表示水平方向部分子图像的LTP特征，FELTP(IHL)表示水平方向部分子图像的LTP特征，FELTP(IHH)表示水平方向部分
子图像的LTP特征。
[0042] 一种LTP与HOG特征融合的乳腺肿瘤检测系统，包括：
[0043] 训练样本库建立模块，用于获取采集的乳腺肿瘤图像，建立乳腺肿瘤图像训练样本库；
[0044] 样本子图像获取模块，用于对样本图像进行自适应二值化处理以及二维离散Haar小波变换，得到4个样本子图像；
[0045] 特征提取模块，用于从所述4个样本子图像中的低频部分子图像提取方向梯度直方图特征；从水平方向部分子图、垂直方向部分子图像以及对角线方向部分子图像中提取
LTP特征；
[0046] 归一化模块，用于将提取到的方向梯度直方图特征与LTP特征进行归一化处理，形成HOG‑LTP特征；
[0047] 模型建立模块，用于建立SVM模型；
[0048] 样本训练模块，用于将所述样本图像作为输入量，所述HOG‑LTP特征作为期望输出量对SVM模型进行样本训练；
[0049] 新样本子图像获取模块，用于对待检测的乳腺肿瘤图像进行自适应二值化处理以及二维离散Haar小波变换，得到4个新的样本子图像；
[0050] 待检测图像特征计算模块，用于计算得到待检测的乳腺肿瘤图像的HOG‑LTP特征；
[0051] 乳腺肿瘤图像获取模块，用于将计算得到的HOG‑LTP特征向量输入训练后的SVM模型中，检测输出的乳腺肿瘤图像。
[0052] 可选的，所述训练样本库建立模块，具体包括：
[0053] 获取单元，用于获取采集的乳腺肿瘤负样本与正样本比例保持在10:1左右；
[0054] 训练样本库建立单元，用于根据获取的乳腺肿瘤负样本与正样本建立乳腺肿瘤图像训练样本库。
[0055] 可选的，所述样本子图像获取模块，具体包括：
[0056] 自适应二值化处理单元，用于对样本图像进行自适应二值化处理后，采用公式：
[0057]
[0058] Haar小波变换单元，用于对样本图像进行二维离散Haar小波变换；
[0059] Haar小波函数是一个差分函数，可用解析的方法表示为：
[0060]
[0061] 等效的频域表示为：
[0062]
[0063] 其中，WTx(a,τ)是a和τ的函数，a是尺度因子，τ为平移因子，X(ω)、ψ(ω)分别是x(t)、ψ(t)的傅里叶变换，ψ(t)表示做位移τ后的基本小波函数，x(t)表示待分析信号。
[0064] 可选的，所述特征提取模块，具体包括：
[0065] 方向梯度直方图特征提取单元，用于从低频部分子图像提取方向梯度直方图特征；
[0066] LTP特征提取单元，用于采用公式：
[0067]
[0068] 从水平方向部分子图、垂直方向部分子图像以及对角线方向部分子图像中提取LTP特征；
[0069] 其中，
[0070] p为周围邻域像素点个数，会产生3p种模式，gp为第p个邻域像素的灰度值；μ为局部区域像素均值，σ为标准差，Δl为局部纹理反差；
[0071] 采用公式：
[0072]
[0073] 计算局部纹理反差Δl；
[0074] 其中，sum1为周边像素gp中大于或等于中心像素的灰度值和，n1为个数；sum2为周边像素gp中小于中心像素的灰度值和，n2为个数。
[0075] 可选的，所述待检测图像特征计算模块，具体包括：
[0076] 计算单元，用于采用公式：
[0077] F(I)＝FHOG(ILL),FELTP(ILH),FELTP(IHL),FELTP(IHH)
[0078] 得到待检测的乳腺肿瘤图像的HOG‑LTP特征；
[0079] 其中，FHOG(ILL)表示低频部分子图像的HOG特征，FELTP(ILH)表示水平方向部分子图像的LTP特征，FELTP(IHL)表示水平方向部分子图像的LTP特征，FELTP(IHH)表示水平方向部分
子图像的LTP特征。
[0080] 根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0081] 本发明提供了一种LTP与HOG特征融合的乳腺肿瘤检测系统与方法，进行自适应二值化处理，利用全局和局部阈值相结合的方法对其进行处理，提高了图像中目标与背景的
灰度对比度，LTP特征在阈值方面的改进，不仅提高了样本的训练速度，还突出了局部纹理
特征，增强了算子的鲁棒性；在尺度方面的改进，弥补了圆形邻域旋转不变而丢失的信息；
基于小波变换的LTP与HOG特征融合可以弥补LTP对光照和模糊图像鲁棒性差的缺点，同时
利用小波变换对图像进行降维，可以加快提取特征的速度，提高检测效率。
附图说明
[0082] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施
例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图
获得其他的附图。
[0083] 图1为本发明LTP与HOG特征融合的乳腺肿瘤检测方法的流程示意图；
[0084] 图2为本发明LTP与HOG特征融合的乳腺肿瘤检测系统的结构示意图；
[0085] 图3为本发明LTP与HOG特征融合的乳腺肿瘤检测方法实施例中的参考图像；
[0086] 图4为本发明LTP与HOG特征融合的乳腺肿瘤检测方法实施例中的目标图像；
[0087] 图5为本发明LTP与HOG特征融合的乳腺肿瘤检测方法实施例中对参考图像进行自适应滤波后得到的滤波参考图像；
[0088] 图6为本发明LTP与HOG特征融合的乳腺肿瘤检测方法实施例中对目标图像进行自适应滤波后得到的滤波目标图像；
[0089] 图7为本发明LTP与HOG特征融合的乳腺肿瘤检测方法实施例中对滤波参考图像进行二值化处理后得到的二值参考图像；
[0090] 图8为本发明LTP与HOG特征融合的乳腺肿瘤检测方法实施例中对滤波目标图像进行二值化处理后得到的二值目标图像。
具体实施方式
[0091] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于
本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例，都属于本发明保护的范围。
[0092] 本发明的目的是提供了一种LTP与HOG特征融合的乳腺肿瘤检测系统与方法，能在保证检测精度的同时提高检测效率。
[0093] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0094] 图1为本发明LTP与HOG特征融合的乳腺肿瘤检测方法的流程示意图。
[0095] 如图1所示，一种LTP与HOG特征融合的乳腺肿瘤检测方法，包括：
[0096] 步骤101：获取采集的乳腺肿瘤图像，建立乳腺肿瘤图像训练样本库；
[0097] 步骤102：对样本图像进行自适应二值化处理以及二维离散Haar小波变换，得到4个样本子图像；
[0098] 步骤103：从所述4个样本子图像中的低频部分子图像提取方向梯度直方图特征；从水平方向部分子图、垂直方向部分子图像以及对角线方向部分子图像中提取LTP特征；
[0099] 步骤104：将提取到的方向梯度直方图特征与LTP特征进行归一化处理，形成HOG‑LTP特征；
[0100] 步骤105：建立SVM模型；
[0101] 步骤106：将所述样本图像作为输入量，所述HOG‑LTP特征作为期望输出量对SVM模型进行样本训练；
[0102] 步骤107：对待检测的乳腺肿瘤图像进行自适应二值化处理以及二维离散Haar小波变换，得到4个新的样本子图像；
[0103] 步骤108：计算得到待检测的乳腺肿瘤图像的HOG‑LTP特征；
[0104] 步骤109：将计算得到的HOG‑LTP特征向量输入训练后的SVM模型中，检测输出的乳腺肿瘤图像。
[0105] 所述步骤101：采集乳腺肿瘤图像，建立乳腺肿瘤图像训练样本库，具体包括：获取采集的乳腺肿瘤负样本与正样本比例保持在10:1左右；根据获取的乳腺肿瘤负样本与正样
本建立乳腺肿瘤图像训练样本库。
[0106] 所述步骤102：对样本图像进行自适应二值化处理以及二维离散Haar小波变换，得到4个样本子图像，LL子图像表示低频部分子图像，LH子图像表示水平方向部分子图像、HH
子图像表示垂直方向部分子图像、HL表示对角线方向部分子图像，具体包括：对样本图像进
行自适应二值化处理后，采用公式：
[0107]
[0108] 对样本图像进行二维离散Haar小波变换；
[0109] Haar小波函数是一个差分函数，可用解析的方法表示为：
[0110]
[0111] 等效的频域表示为：
[0112]
[0113] 其中，WTx(a,τ)是a和τ的函数，a是尺度因子，τ为平移因子，X(ω)、ψ(ω)分别是x(t)、ψ(t)的傅里叶变换，ψ(t)表示做位移τ后的基本小波函数，x(t)表示待分析信号。
[0114] 图3为本发明LTP与HOG特征融合的乳腺肿瘤检测方法实施例中的参考图像；图4为本发明LTP与HOG特征融合的乳腺肿瘤检测方法实施例中的目标图像；图5为本发明LTP与
HOG特征融合的乳腺肿瘤检测方法实施例中对参考图像进行自适应滤波后得到的滤波参考
图像；图6为本发明LTP与HOG特征融合的乳腺肿瘤检测方法实施例中对目标图像进行自适
应滤波后得到的滤波目标图像；图7为本发明LTP与HOG特征融合的乳腺肿瘤检测方法实施
例中对滤波参考图像进行二值化处理后得到的二值参考图像；图8为本发明LTP与HOG特征
融合的乳腺肿瘤检测方法实施例中对滤波目标图像进行二值化处理后得到的二值目标图
像。
[0115] 如图3‑8所示，建立乳腺肿瘤图像训练样本库，以图3和图4中的参考图像和目标图像为例；
[0116] 分别对参考图像和目标图像进行自适应滤波处理，分别获得图5和图6中的图像，提高图像中目标与背景的灰度对比度，具体步骤包括：
[0117] 对图像进行全局亮度调整，提高图像中目标与背景的灰度对比度；
[0118] 自适应选取邻域计算模板大小；
[0119] 根据选取的邻域计算模板的大小将图像的信息分成信息块；
[0120] 采用全局与局部阈值结合的方法对每个信息块进行逐点二值化，获得图7和图8中的图像。
[0121] 完成上述操作后，对预处理后的图像进行二维离散Haar小波变换。
[0122] 所述步骤103：从所述4个样本子图像中的低频部分子图像提取HOG特征，从水平方向部分子图、垂直方向部分子图像以及对角线方向部分子图像中提取LTP特征，具体包括：
[0123] 采用公式：
[0124]
[0125] 从水平方向部分子图、垂直方向部分子图像以及对角线方向部分子图像中提取LTP特征；
[0126] 其中，
[0127] p为周围邻域像素点个数，会产生3p种模式，gp为第p个邻域像素的灰度值；μ为局部区域像素均值，σ为标准差，Δl为局部纹理反差；
[0128] 采用公式：
[0129]
[0130] 计算局部纹理反差Δl；
[0131] 其中，sum1为周边像素gp中大于或等于中心像素的灰度值和，n1为个数；sum2为周边像素gp中小于中心像素的灰度值和，n2为个数。
[0132] 所述步骤108：计算得到待检测的乳腺肿瘤图像的HOG‑LTP特征，具体包括：
[0133] 采用公式：
[0134] F(I)＝FHOG(ILL),FELTP(ILH),FELTP(IHL),FELTP(IHH)
[0135] 得到待检测的乳腺肿瘤图像的HOG‑LTP特征；
[0136] 其中，FHOG(ILL)表示低频部分子图像的HOG特征，FELTP(ILH)表示水平方向部分子图像的LTP特征，FELTP(IHL)表示水平方向部分子图像的LTP特征，FELTP(IHH)表示水平方向部分
子图像的LTP特征。
[0137] 图2为本发明LTP与HOG特征融合的乳腺肿瘤检测系统的结构示意图。
[0138] 如图2所示，一种LTP与HOG特征融合的乳腺肿瘤检测系统，包括：
[0139] 训练样本库建立模块201，用于获取采集的乳腺肿瘤图像，建立乳腺肿瘤图像训练样本库；
[0140] 样本子图像获取模块202，用于对样本图像进行自适应二值化处理以及二维离散Haar小波变换，得到4个样本子图像；
[0141] 特征提取模块203，用于从所述4个样本子图像中的低频部分子图像提取方向梯度直方图特征；从水平方向部分子图、垂直方向部分子图像以及对角线方向部分子图像中提
取LTP特征；
[0142] 归一化模块204，用于将提取到的方向梯度直方图特征与LTP特征进行归一化处理，形成HOG‑LTP特征；
[0143] 模型建立模块205，用于建立SVM模型；
[0144] 样本训练模块206，用于将所述样本图像作为输入量，所述HOG‑LTP特征作为期望输出量对SVM模型进行样本训练；
[0145] 新样本子图像获取模块207，用于对待检测的乳腺肿瘤图像进行自适应二值化处理以及二维离散Haar小波变换，得到4个新的样本子图像；
[0146] 待检测图像特征计算模块208，用于计算得到待检测的乳腺肿瘤图像的HOG‑LTP特征；
[0147] 乳腺肿瘤图像获取模块209，用于将计算得到的HOG‑LTP特征向量输入训练后的SVM模型中，检测输出的乳腺肿瘤图像。
[0148] 所述训练样本库建立模块201，具体包括：
[0149] 获取单元，用于获取采集的乳腺肿瘤负样本与正样本比例保持在10:1左右；
[0150] 训练样本库建立单元，用于根据获取的乳腺肿瘤负样本与正样本建立乳腺肿瘤图像训练样本库。
[0151] 所述样本子图像获取模块202，具体包括：
[0152] 自适应二值化处理单元，用于对样本图像进行自适应二值化处理后，采用公式：
[0153]
[0154] Haar小波变换单元，用于对样本图像进行二维离散Haar小波变换；
[0155] Haar小波函数是一个差分函数，可用解析的方法表示为：
[0156]
[0157] 等效的频域表示为：
[0158]
[0159] 其中，WTx(a,τ)是a和τ的函数，a是尺度因子，τ为平移因子，X(ω)、ψ(ω)分别是x(t)、ψ(t)的傅里叶变换，ψ(t)表示做位移τ后的基本小波函数，x(t)表示待分析信号。
[0160] 所述特征提取模块203，具体包括：
[0161] 方向梯度直方图特征提取单元，用于从低频部分子图像提取方向梯度直方图特征；
[0162] LTP特征提取单元，用于采用公式：
[0163]
[0164] 从水平方向部分子图、垂直方向部分子图像以及对角线方向部分子图像中提取LTP特征；
[0165] 其中，
[0166] p为周围邻域像素点个数，会产生3p种模式，gp为第p个邻域像素的灰度值；μ为局部区域像素均值，σ为标准差，Δl为局部纹理反差；
[0167] 采用公式：
[0168]
[0169] 计算局部纹理反差Δl；
[0170] 其中，sum1为周边像素gp中大于或等于中心像素的灰度值和，n1为个数；sum2为周边像素gp中小于中心像素的灰度值和，n2为个数。
[0171] 所述待检测图像特征计算模块208，具体包括：
[0172] 计算单元，用于采用公式：
[0173] F(I)＝FHOG(ILL),FELTP(ILH),FELTP(IHL),FELTP(IHH)
[0174] 得到待检测的乳腺肿瘤图像的HOG‑LTP特征；
[0175] 其中，FHOG(ILL)表示低频部分子图像的HOG特征，FELTP(ILH)表示水平方向部分子图像的LTP特征，FELTP(IHL)表示水平方向部分子图像的LTP特征，FELTP(IHH)表示水平方向部分
子图像的LTP特征。
[0176] 本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据
本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不
应理解为对本发明的限制。
