本發(fā)明專利屬于移動通訊領(lǐng)域，是一種移動云環(huán)境的基于近似空間聚類的醫(yī)學(xué)影像數(shù)據(jù)分析系統(tǒng)，該系統(tǒng)涉及到大規(guī)模數(shù)據(jù)分析、云計(jì)算環(huán)境下的海量數(shù)據(jù)處理，涉及到智能數(shù)據(jù)處理與應(yīng)用開發(fā)。

背景技術(shù)：

隨著互聯(lián)網(wǎng)技術(shù)與數(shù)字化的飛速發(fā)展，以及電子數(shù)碼產(chǎn)品的普及，人們能夠獲取的數(shù)字醫(yī)學(xué)圖像數(shù)據(jù)已經(jīng)越來越多。醫(yī)學(xué)圖像作為一種表現(xiàn)直觀、內(nèi)容豐富的多媒體信息，在各行各業(yè)中也得到越來越廣泛的應(yīng)用，如數(shù)字多媒體圖書館、醫(yī)學(xué)醫(yī)學(xué)圖像應(yīng)用管理、衛(wèi)星遙感醫(yī)學(xué)圖像和地理信息系統(tǒng)、身份認(rèn)證識別系統(tǒng)、電子商務(wù)、商標(biāo)版權(quán)的監(jiān)管等。然而，爆炸式增長的醫(yī)學(xué)圖像數(shù)據(jù)己經(jīng)遠(yuǎn)遠(yuǎn)超過了人們所能接受的程度，對于海量的醫(yī)學(xué)圖像數(shù)據(jù)，如何能夠快速有效地進(jìn)行管理與檢索，繼而從中獲取潛在的有價(jià)值的信息成為人們關(guān)注的問題。而檢索時(shí)間是醫(yī)學(xué)圖像檢索的最關(guān)鍵問題之一，傳統(tǒng)的檢索方法是根據(jù)用戶提供的待查詢樣本醫(yī)學(xué)圖像，系統(tǒng)按照特定的相似性度量規(guī)則，遍歷數(shù)據(jù)庫中所有醫(yī)學(xué)圖像，并選擇最相似的若干幅作為查詢結(jié)果返回給用戶但由于現(xiàn)實(shí)世界中醫(yī)學(xué)圖像資源很豐富，醫(yī)學(xué)圖像數(shù)據(jù)庫容量龐大，如果依然采用順序檢索，計(jì)算量將會非?？捎^，導(dǎo)致檢索效率會很低。如果在檢索之前能先對醫(yī)學(xué)圖像庫中的醫(yī)學(xué)圖像進(jìn)行聚類，對各類建立醫(yī)學(xué)圖像索引，繼而檢索過程在特定的某一類內(nèi)進(jìn)行,這樣就可以在很大程度上縮小醫(yī)學(xué)圖像的檢索匹配范圍,以達(dá) 到準(zhǔn)確并快速檢索醫(yī)學(xué)圖像的目的。

目前，用于醫(yī)學(xué)圖像聚類的算法主要有K-Means聚類算法、scalable k-means++聚類算法等等，但這些算法序列化的特性限制了其可擴(kuò)展性，它在選點(diǎn)時(shí)需要進(jìn)行大量的迭代操作，使得它在并行處理環(huán)境下處理海量數(shù)據(jù)時(shí)的效率比較低。因此，開發(fā)更好的醫(yī)學(xué)圖像聚類算法就顯得很有必要。

近幾年，云計(jì)算逐漸發(fā)展成為云計(jì)算的一個(gè)重要分支。任何智能終端設(shè)備如智能手機(jī)和平板電腦都可以從無線網(wǎng)絡(luò)環(huán)境中隨時(shí)按需獲取服務(wù)，并且不受限于有限的硬件資源、計(jì)算能力和帶寬等。很顯然，在云計(jì)算中，高效分析和處理海量時(shí)空數(shù)據(jù)，并且與醫(yī)學(xué)圖像聚類應(yīng)用相結(jié)合，就是一個(gè)新興的實(shí)用技術(shù)，云計(jì)算環(huán)境下有效的空間數(shù)據(jù)庫索引技術(shù)對提高空間數(shù)據(jù)庫查找效率與應(yīng)用用戶體驗(yàn)至關(guān)重要，基于該出發(fā)點(diǎn)，我們設(shè)計(jì)并實(shí)現(xiàn)了該發(fā)明專利。

技術(shù)實(shí)現(xiàn)要素：

根據(jù)上述背景技術(shù)中存在的缺陷和不足，本發(fā)明專利通過使用包括SIFT特征描述方法、過采樣修正算法在內(nèi)的多個(gè)醫(yī)學(xué)圖像處理算法，設(shè)計(jì)了一種新的近似醫(yī)學(xué)圖像聚類軟件，更好的解決了醫(yī)學(xué)圖像聚類問題。

為了實(shí)現(xiàn)上述目的，本發(fā)明所采用的技術(shù)方案是：

一種移動云環(huán)境的基于近似空間聚類的醫(yī)學(xué)影像數(shù)據(jù)分析系統(tǒng)，主要由云中心服務(wù)系統(tǒng)組成，云中心服務(wù)系統(tǒng)建立并執(zhí)行SIFT特征提取與匹配算法，提取醫(yī)學(xué)圖像的相關(guān)特征數(shù)據(jù)，并進(jìn)行匹配，且云中心服務(wù)系統(tǒng)還建立并執(zhí)行過采樣修正算法以進(jìn)行醫(yī)學(xué)圖像修正，反 饋聚類近似醫(yī)學(xué)圖像信息至客戶端。

進(jìn)一步的，客戶端根據(jù)需要將需要進(jìn)行聚類的醫(yī)學(xué)圖像發(fā)送至云中心服務(wù)系統(tǒng)，并接收云中心服務(wù)系統(tǒng)的請求。

進(jìn)一步的，所述建立并執(zhí)行SIFT特征提取與匹配算法的方法，包括：

S1.檢測尺度空間極值；

S2.關(guān)鍵點(diǎn)定位；

S3.關(guān)鍵點(diǎn)方向匹配；

S4.生成特征描述子；

S5.特征匹配。

進(jìn)一步的，步驟S1.檢測尺度空間極值的方法是：每一個(gè)采樣點(diǎn)要和當(dāng)前醫(yī)學(xué)圖像的8個(gè)相鄰點(diǎn)、以及上下相鄰尺度醫(yī)學(xué)圖像對應(yīng)的9×2個(gè)點(diǎn)進(jìn)行比較,如果該采樣點(diǎn)都大于或者都小于其它26個(gè)相鄰點(diǎn),該點(diǎn)則為關(guān)鍵點(diǎn)。

進(jìn)一步的，步驟S2.關(guān)鍵點(diǎn)定位的方法是：關(guān)鍵點(diǎn)擬合三維二次函數(shù)以定位關(guān)鍵點(diǎn)的尺度和位置。

進(jìn)一步的，步驟S3.關(guān)鍵點(diǎn)方向分配的方法是：在以關(guān)鍵點(diǎn)為中心的鄰域窗口內(nèi)采樣，并用梯度方向直方圖統(tǒng)計(jì)鄰域像素的梯度方向，直方圖的峰值代表該關(guān)鍵點(diǎn)處的整個(gè)鄰域梯度的主方向，該主方向作為該關(guān)鍵點(diǎn)的方向。

進(jìn)一步的，在梯度方向直方圖中，當(dāng)存在主峰值80％以上能量的另一個(gè)峰值時(shí)，則將該方向是該關(guān)鍵點(diǎn)的輔方向，使得主、輔方向聯(lián)合。

進(jìn)一步，

步驟S4.生成特征描述子的方法是：

S4.1.在求出關(guān)鍵點(diǎn)的主方向后，以關(guān)鍵點(diǎn)為中心取16×16的窗口，并將醫(yī)學(xué)圖像坐標(biāo)軸旋轉(zhuǎn)為關(guān)鍵點(diǎn)的主方向；

S4.2.在以關(guān)鍵點(diǎn)為中心的16×16個(gè)像素的窗口中計(jì)算每一個(gè)像素的梯度方向和幅值；

S4.3.進(jìn)行高斯加權(quán)；

S4.4.將窗口劃分為4×4個(gè)小窗口，在每個(gè)小窗口上計(jì)算8個(gè)方向的梯度方向直方圖，并繪制每個(gè)梯度方向的累加值，形成一個(gè)種子點(diǎn)；

其中，一個(gè)關(guān)鍵點(diǎn)由4×4共16個(gè)種子點(diǎn)組成，每個(gè)種子點(diǎn)有8個(gè)方向向量信息，一個(gè)特征點(diǎn)形成128維的SIFT特征向量。

進(jìn)一步的，步驟S5.特征匹配的方法是：在兩幅醫(yī)學(xué)圖像中取一幅醫(yī)學(xué)圖像中的某個(gè)特征點(diǎn),找出其與另一幅醫(yī)學(xué)圖像中歐式距離最近的前兩個(gè)特征點(diǎn)，在這兩個(gè)特征點(diǎn)中,若最近的距離同次近的距離的比值小于某個(gè)閾值,則接受這一對匹配點(diǎn),否則丟棄。

進(jìn)一步的，

所述過采樣修正算法的迭代過程如下：

步驟一.計(jì)算全局聚類誤差ψ；

步驟二.每一個(gè)Map處理過程，任務(wù)使用scalable k-means++初始化算法進(jìn)行選點(diǎn)，每個(gè)點(diǎn)x∈X被選中的概率為

其中：U₀為初始所有中心點(diǎn)集合，c₁均勻隨機(jī)選出的第一個(gè)中心 點(diǎn)，d²(x,U₀)為每一個(gè)點(diǎn)x∈X_i與U₀的平方距離；

步驟三.一個(gè)Reduce任務(wù)合并所有來自Map任務(wù)的中心點(diǎn)，輸出中心點(diǎn)的集合U₁；

步驟四.迭代的過程中，OnR利用第j-2次迭代所得中心點(diǎn)對應(yīng)的全局誤差進(jìn)行選點(diǎn)；OnR利用另一個(gè)過采樣因子o進(jìn)一步擴(kuò)大每一個(gè)點(diǎn)被選為中心點(diǎn)的概率；OnR在Reduce任務(wù)中使用一個(gè)修正的過程移除多選的中心點(diǎn)。

有益效果：該醫(yī)學(xué)圖像聚類系統(tǒng)會通過相關(guān)技術(shù)在用戶端獲取到圖片的相應(yīng)信息上傳并保存到云端服務(wù)器，然后云端服務(wù)器進(jìn)行處理，得到最佳的醫(yī)學(xué)圖像聚類方案并反饋給用戶。

附圖說明

圖1本發(fā)明的功能模塊圖；

圖2本發(fā)明的大規(guī)模近似醫(yī)學(xué)圖像聚類系統(tǒng)架構(gòu)的示意圖；

圖3本發(fā)明的特征提取過程；

圖4本發(fā)明的特征向量生成過程；

圖5本發(fā)明的過采樣修正算法的代碼；

圖6本發(fā)明的過采樣修正算法流程；

圖7本發(fā)明的所述系統(tǒng)的結(jié)構(gòu)框圖。

具體實(shí)施方式

實(shí)施例1：參考圖1，一種移動云環(huán)境的基于近似空間聚類的醫(yī)學(xué)影像數(shù)據(jù)分析系統(tǒng)，所述系統(tǒng)由一個(gè)云中心服務(wù)系統(tǒng)和一個(gè)手機(jī)智能移動客戶端軟件系統(tǒng)組成。其中，云服務(wù)系統(tǒng)負(fù)責(zé)進(jìn)行SIFT特征提取算法建立與過采樣修正算法的執(zhí)行，并將聚類結(jié)果反饋給用戶端；移 動端根據(jù)需要將需要進(jìn)行醫(yī)學(xué)圖像聚類的醫(yī)學(xué)圖像發(fā)送至云中心服務(wù)系統(tǒng)，并接收云端請求。

參考圖2，作為一個(gè)實(shí)施例，該近似醫(yī)學(xué)圖像聚類系統(tǒng)的執(zhí)行流程是，當(dāng)聚類用戶發(fā)出相關(guān)醫(yī)學(xué)圖像聚類請求后，由云端系統(tǒng)根據(jù)SIFT特征提取算法和過采樣修正算法得到最好的聚類方案并返回最終結(jié)果給用戶，通過移動交流平臺進(jìn)行業(yè)務(wù)確認(rèn)。

該大規(guī)模醫(yī)學(xué)圖像聚類系統(tǒng)采用一種基于云計(jì)算的數(shù)據(jù)處理方式，當(dāng)用戶發(fā)出醫(yī)學(xué)圖像聚類請求時(shí)，數(shù)據(jù)中心會通過建立的SIFT特征提取算法，迅速提取醫(yī)學(xué)圖像的相關(guān)特征數(shù)據(jù)。SIFT特征提取算法的處理步驟具體為：

參考圖3、4，其詳細(xì)步驟是：為了檢測尺度空間的局部極大極小點(diǎn)，每一個(gè)采樣點(diǎn)要和當(dāng)前醫(yī)學(xué)圖像的8個(gè)相鄰點(diǎn)和上下相鄰尺度醫(yī)學(xué)圖像對應(yīng)的9×2個(gè)點(diǎn)共26個(gè)點(diǎn)進(jìn)行比較,如果該采樣點(diǎn)都要大于或者都要小于其它26個(gè)相鄰點(diǎn),該點(diǎn)則為關(guān)鍵點(diǎn)。這些關(guān)鍵點(diǎn)還需要擬合三維二次函數(shù)以精確定位關(guān)鍵點(diǎn)的尺度和位置。在以關(guān)鍵點(diǎn)為中心的鄰域窗口內(nèi)采樣，并用梯度方向直方圖統(tǒng)計(jì)鄰域像素的梯度方向。該梯度方向直方圖的角度范圍是0-360度，其中每10度作為一個(gè)柱，共36個(gè)小柱,直方圖的峰值代表該關(guān)鍵點(diǎn)處的整個(gè)鄰域梯度的主方向，該方向則作為該關(guān)鍵點(diǎn)的方向。在梯度方向直方圖中，一個(gè)關(guān)鍵點(diǎn)可能會被指定具有多個(gè)方向，一個(gè)主方向和一個(gè)以上的輔方向。當(dāng)存在主峰值80％能量的另一個(gè)峰值時(shí)，則將個(gè)方向認(rèn)為是該關(guān)鍵點(diǎn)的輔方向，通過主次方向聯(lián)合可以增強(qiáng)算法匹配的魯棒性。在求出關(guān)鍵 點(diǎn)的主方向后，接著以關(guān)鍵點(diǎn)為中心取16×16的窗口，并將醫(yī)學(xué)圖像坐標(biāo)軸旋轉(zhuǎn)為關(guān)鍵點(diǎn)的主方向，以確保旋轉(zhuǎn)不變性。接著在以關(guān)鍵點(diǎn)為中心的16×16個(gè)像素的窗口中計(jì)算每一個(gè)像素的梯度方向和幅值，然后進(jìn)行高斯加權(quán)。最后將窗口劃分為4×4個(gè)小窗口，在每個(gè)小窗口上計(jì)算8個(gè)方向的梯度方向直方圖，并繪制每個(gè)梯度方向的累加值，即可形成一個(gè)種子點(diǎn)。一個(gè)關(guān)鍵點(diǎn)由4×4共16個(gè)種子點(diǎn)組成，每個(gè)種子點(diǎn)有8個(gè)方向向量信息，這樣一個(gè)特征點(diǎn)就可以形成128維的SIFT特征向量。如圖2-4所示。這種聯(lián)合鄰域方向性信息的方法不僅增強(qiáng)了SIFT算法的抗噪性能，并且對在定位時(shí)存在誤差的特征匹配也有比較好的容錯(cuò)性。當(dāng)兩幅醫(yī)學(xué)圖像的SIFT特征向量生成后,接下來就是SIFT特征匹配階段。SIFT特征向量匹配以特征向量之間的歐式距離作為兩幅醫(yī)學(xué)圖像中特征點(diǎn)的相似性度量標(biāo)準(zhǔn)。在兩幅醫(yī)學(xué)圖像中取一幅醫(yī)學(xué)圖像中的某個(gè)特征點(diǎn),并找出其與另一幅醫(yī)學(xué)圖像中歐式距離最近的前兩個(gè)特征點(diǎn)。在這兩個(gè)特征點(diǎn)中,若最近的距離同次近的距離的比值小于某個(gè)閾值，則接受這一對匹配點(diǎn),否則丟棄。當(dāng)降低這個(gè)閾值的時(shí)候，SIFT匹配點(diǎn)數(shù)目會減少，但是匹配點(diǎn)更加準(zhǔn)確和穩(wěn)定。

參考圖5，作為另一個(gè)實(shí)施例，過采樣修正算法的定義為：在每一次迭代中，過采樣修正(Oversampling and Refining，簡稱為OnR)使用一個(gè)MapReduce作業(yè)選個(gè)中心點(diǎn)并且計(jì)算全局的誤差。OnR方法受到scalable k-means++方法的啟發(fā)，除了過采樣因子，它使用另一個(gè)過采樣因子o進(jìn)一步增大Map階段選的中心點(diǎn)的數(shù)目。

參考圖6，Job1(從P₁到P₄)仍然負(fù)責(zé)計(jì)算ψ，ψ為全局聚類誤差； Job2(從P₅到P₈)的每一個(gè)Map(Map是一個(gè)處理過程，我們將這個(gè)過程命名為Map)任務(wù)使用scalable k-means++初始化算法進(jìn)行選點(diǎn)，每個(gè)點(diǎn)x∈X被選中的概率為其中：U₀為初始所有中心點(diǎn)集合，c₁均勻隨機(jī)選出的第一個(gè)中心點(diǎn)，d²(x,U₀)為每一個(gè)點(diǎn)x∈X_i與U₀的平方距離(P₅階段)，然后一個(gè)Reduce任務(wù)合并所有來自Map任務(wù)的中心點(diǎn)(P₇階段)，輸出中心點(diǎn)的集合U₁(P₈階段)。OnR迭代的過程從P₉到P₁₁，第j次迭代的過程如下，其中，j為迭代次數(shù)，1≤j≤n，n為最大迭代次數(shù)，由數(shù)據(jù)點(diǎn)個(gè)數(shù)決定：因?yàn)槊恳粋€(gè)Map任務(wù)無法獲得第j-1次迭代所得中心點(diǎn)對應(yīng)的全局誤差，即無法獲得φ_X(U_j-1)，我們的方法OnR利用第j-2次迭代所得中心點(diǎn)對應(yīng)的全局誤差進(jìn)行選點(diǎn)，即用φ_X(U_j-2)；然而由于第j-2次迭代后已得到的中心點(diǎn)的數(shù)目比j-1次迭代后所得的中心點(diǎn)的數(shù)目要少，所以第j-2次對應(yīng)的全局誤差φ_X(U_j-2)比第j-1次對應(yīng)的全局誤差大，導(dǎo)致了每一個(gè)點(diǎn)x被選為中心點(diǎn)的概率變小，進(jìn)而導(dǎo)致了第j次迭代選擇的中心點(diǎn)的數(shù)目變少。為了解決上述問題，OnR利用另一個(gè)過采樣因子o進(jìn)一步擴(kuò)大每一個(gè)點(diǎn)被選為中心點(diǎn)的概率，即x被選為中心點(diǎn)的概率為在這種情形下，每一次迭代Map任務(wù)選擇的中心點(diǎn)的數(shù)目的期望值會大于(為scalable k-means++初始化算法每次迭代期望選擇的中心點(diǎn)數(shù)目)，因此OnR在Reduce任務(wù)中需要使用一個(gè)修正的過程移除多選的中心點(diǎn)。

OnR算法詳細(xì)的迭代過程如下：在P₉階段，每一個(gè)Map利用每個(gè) 點(diǎn)x的概率選擇新的中心點(diǎn)并計(jì)算中心點(diǎn)集U_j-1對應(yīng)的局部誤差并把所有的局部誤差值每個(gè)選中的點(diǎn)x對應(yīng)的隨機(jī)概率值(自行設(shè)置的參量，與 比較來選擇中心點(diǎn))以及傳輸給Reduce(P₁₀階段)。修正的操作在一個(gè)單獨(dú)的Reduce任務(wù)上執(zhí)行(P₁₁階段)，它合并Map階段選出的中心點(diǎn)對所有的局部誤差 進(jìn)行求和操作得到第j-1次迭代后中心點(diǎn)對應(yīng)的全局誤差φ_X(U_j-1)，在此也能得到被選中的中心點(diǎn)x對應(yīng)的真正的概率值，即 如果則點(diǎn)x為正確的中心點(diǎn)，否則把x從C中移除，此次迭代的輸出為U_j以及φ_X(U_j-1)，它們成為下一次迭代的輸入數(shù)據(jù)。

通過以上的分析，得出OnR每一次迭代的網(wǎng)絡(luò)傳輸量包括4部分：此次迭代選出的中心點(diǎn)集所有的局部誤差被選中的中心點(diǎn)對應(yīng)的隨機(jī)數(shù)與MRSKMI算法的傳輸量(和)相比，OnR的主要優(yōu)點(diǎn)是在網(wǎng)絡(luò)開銷沒有增長太多的前提下，它大大減少了I/O開銷。

實(shí)施例2：一種移動云環(huán)境的基于近似空間聚類的醫(yī)學(xué)影像數(shù)據(jù)分析系統(tǒng)由一個(gè)云中心服務(wù)系統(tǒng)和一個(gè)手機(jī)智能移動客戶端軟件系統(tǒng)組成。其中云服務(wù)系統(tǒng)負(fù)責(zé)進(jìn)行SIFT特征提取算法建立與過采樣修正算法的執(zhí)行，并將聚類結(jié)果反饋給用戶端；移動端根據(jù)需要將需要進(jìn)行醫(yī)學(xué)圖像聚類的醫(yī)學(xué)圖像發(fā)送至云中心服務(wù)系統(tǒng)，并接收云端請求。

作為技術(shù)方案的補(bǔ)充，該醫(yī)學(xué)圖像聚類系統(tǒng)的執(zhí)行方法是：當(dāng)聚類用戶發(fā)出相關(guān)醫(yī)學(xué)圖像聚類請求后，由云端系統(tǒng)根據(jù)SIFT特征提取算法和過采樣修正算法得到最好的聚類方案并返回最終結(jié)果給用戶，通過移動交流平臺進(jìn)行業(yè)務(wù)確認(rèn)。

作為技術(shù)方案的進(jìn)一步補(bǔ)充，SIFT特征提取算法的處理步驟具體為：①檢測尺度空間極值；②關(guān)鍵點(diǎn)定位；③關(guān)鍵點(diǎn)方向分配；④生成特征描述子；⑤特征匹配。

其詳細(xì)步驟為：為了檢測尺度空間的局部極大極小點(diǎn)，每一個(gè)采樣點(diǎn)要和當(dāng)前醫(yī)學(xué)圖像的8個(gè)相鄰點(diǎn)和上下相鄰尺度醫(yī)學(xué)圖像對應(yīng)的9x2個(gè)點(diǎn)共26個(gè)點(diǎn)進(jìn)行比較,如果該采樣點(diǎn)都要大于或者都要小于其它26個(gè)相鄰點(diǎn),該點(diǎn)則為關(guān)鍵點(diǎn)。這些關(guān)鍵點(diǎn)還需要擬合三維二次函數(shù)以精確定位關(guān)鍵點(diǎn)的尺度和位置。在以關(guān)鍵點(diǎn)為中心的鄰域窗口內(nèi)采樣，并用梯度方向直方圖統(tǒng)計(jì)鄰域像素的梯度方向。該梯度方向直方圖的角度范圍是0-360度，其中每10度作為一個(gè)柱，共36個(gè)小柱,直方圖的峰值代表該關(guān)鍵點(diǎn)處的整個(gè)鄰域梯度的主方向，該方向則作為該關(guān)鍵點(diǎn)的方向。在梯度方向直方圖中，一個(gè)關(guān)鍵點(diǎn)可能會被指定具有多個(gè)方向，一個(gè)主方向和一個(gè)以上的輔方向。當(dāng)存在主峰值80％能量的另一個(gè)峰值時(shí)，則將個(gè)方向認(rèn)為是該關(guān)鍵點(diǎn)的輔方向，通過主次方向聯(lián)合可以增強(qiáng)算法匹配的魯棒性。在求出關(guān)鍵點(diǎn)的主方向后，接著以關(guān)鍵點(diǎn)為中心取16×16的窗口，并將醫(yī)學(xué)圖像坐標(biāo)軸旋轉(zhuǎn)為關(guān)鍵點(diǎn)的主方向，以確保旋轉(zhuǎn)不變性。接著在以關(guān)鍵點(diǎn)為中心的16×16個(gè)像素的窗口中計(jì)算每一個(gè)像素的梯度方向和幅值，然后進(jìn)行高斯加 權(quán)。最后將窗口劃分為4×4個(gè)小窗口，在每個(gè)小窗口上計(jì)算8個(gè)方向的梯度方向直方圖，并繪制每個(gè)梯度方向的累加值，即可形成一個(gè)種子點(diǎn)。一個(gè)關(guān)鍵點(diǎn)由4×4共16個(gè)種子點(diǎn)組成，每個(gè)種子點(diǎn)有8個(gè)方向向量信息，這樣一個(gè)特征點(diǎn)就可以形成128維的SIFT特征向量。如圖2-4所示。這種聯(lián)合鄰域方向性信息的方法不僅增強(qiáng)了SIFT算法的抗噪性能，并且對在定位時(shí)存在誤差的特征匹配也有比較好的容錯(cuò)性。圖2-4中顯示的是4×4個(gè)像素的窗口,但在實(shí)際計(jì)算中經(jīng)典SIFT使用的是16×16個(gè)像素的窗口。當(dāng)兩幅醫(yī)學(xué)圖像的SIFT特征向量生成后,接下來就是SIFT特征匹配階段。SIFT特征向量匹配以特征向量之間的歐式距離作為兩幅醫(yī)學(xué)圖像中特征點(diǎn)的相似性度量標(biāo)準(zhǔn)。在兩幅醫(yī)學(xué)圖像中取一幅醫(yī)學(xué)圖像中的某個(gè)特征點(diǎn),并找出其與另一幅醫(yī)學(xué)圖像中歐式距離最近的前兩個(gè)特征點(diǎn)。在這兩個(gè)特征點(diǎn)中,若最近的距離同次近的距離的比值小于某個(gè)閾值，則接受這一對匹配點(diǎn),否則丟棄。當(dāng)降低這個(gè)閾值的時(shí)候，SIFT匹配點(diǎn)數(shù)目會減少，但是匹配點(diǎn)更加準(zhǔn)確和穩(wěn)定。

作為技術(shù)方案的補(bǔ)充，過采樣修正算法的定義為：在每一次迭代中，OnR使用一個(gè)MapReduce作業(yè)選個(gè)中心點(diǎn)并且計(jì)算全局的誤差。OnR方法受到scalable k-means++方法的啟發(fā)，除了過采樣因子它使用另一個(gè)過采樣因子o進(jìn)一步增大Map階段選的中心點(diǎn)的數(shù)目。

作為技術(shù)方案的更進(jìn)一步的補(bǔ)充，基于過采樣修正的近似醫(yī)學(xué)圖像聚類的方法為：Job1(從P₁到P₄)仍然負(fù)責(zé)計(jì)算ψ；Job2(從P₅到P₈)的每一個(gè)Map任務(wù)使用scalable k-means++初始化算法進(jìn)行選點(diǎn)，每個(gè) 點(diǎn)x∈X被選中的概率為(P₅階段)，然后一個(gè)Reduce任務(wù)合并所有來自Map任務(wù)的中心點(diǎn)(P₇階段)，輸出中心點(diǎn)的集合U₁(P₈階段)。OnR迭代的過程從P₉到P₁₁，第j次迭代的過程如下：因?yàn)槊恳粋€(gè)Map任務(wù)無法獲得第j-1次迭代所得中心點(diǎn)對應(yīng)的全局誤差，即無法獲得φ_X(U_j-1)，我們的方法OnR利用第j-2次迭代所得中心點(diǎn)對應(yīng)的全局誤差進(jìn)行選點(diǎn)，即用φ_X(U_j-2)；然而由于第j-2次迭代后已得到的中心點(diǎn)的數(shù)目比j-1次迭代后所得的中心點(diǎn)的數(shù)目要少，所以第j-2次對應(yīng)的全局誤差φ_X(U_j-2)比第j-1次對應(yīng)的全局誤差大，導(dǎo)致了每一個(gè)點(diǎn)x被選為中心點(diǎn)的概率變小，進(jìn)而導(dǎo)致了第j次迭代選擇的中心點(diǎn)的數(shù)目變少。為了解決上述問題，OnR利用另一個(gè)過采樣因子o進(jìn)一步擴(kuò)大每一個(gè)點(diǎn)被選為中心點(diǎn)的概率，即x被選為中心點(diǎn)的概率為在這種情形下，每一次迭代Map任務(wù)選擇的中心點(diǎn)的數(shù)目的期望值會大于(為scalable k-means++初始化算法每次迭代期望選擇的中心點(diǎn)數(shù)目)，因此OnR在Reduce任務(wù)中需要使用一個(gè)修正的過程移除多選的中心點(diǎn)。

OnR算法詳細(xì)的迭代過程如下：在P₉階段，每一個(gè)Map利用每個(gè)點(diǎn)x的概率選擇新的中心點(diǎn)并計(jì)算中心點(diǎn)集U_j-1對應(yīng)的局部誤差并把所有的局部誤差值每個(gè)選中的點(diǎn)x對應(yīng)的隨機(jī)概率值以及傳輸給Reduce(P₁₀階段)。修正的操作在一個(gè)單獨(dú)的Reduce任務(wù)上執(zhí)行(P₁₁階段)，它合并Map階段選出的中心點(diǎn)對所有的局部誤差進(jìn)行 求和操作得到第j-1次迭代后中心點(diǎn)對應(yīng)的全局誤差φ_X(U_j-1)，在此也能得到被選中的中心點(diǎn)x對應(yīng)的真正的概率值，即 如果則點(diǎn)x為正確的中心點(diǎn)，否則把x從C中移除，此次迭代的輸出為U_j以及φ_X(U_j-1)，它們成為下一次迭代的輸入數(shù)據(jù)。

實(shí)施例3：上述各實(shí)施例中，在聚類階段，該醫(yī)學(xué)圖像聚類系統(tǒng)會通過相關(guān)技術(shù)在用戶端獲取到圖片的相應(yīng)信息上傳并保存到云端服務(wù)器，然后云端服務(wù)器進(jìn)行處理，得到最佳的醫(yī)學(xué)圖像聚類方案并反饋給用戶。

本實(shí)施例中所述的醫(yī)學(xué)圖像聚類系統(tǒng)具有下述結(jié)構(gòu)和好處：

(1)采用單個(gè)終端的設(shè)計(jì)方式。用戶端為安裝在安卓智能手機(jī)上的軟件，供用戶進(jìn)行醫(yī)學(xué)圖像聚類時(shí)使用。

用戶通過手機(jī)內(nèi)置的系統(tǒng)和手機(jī)運(yùn)營商的基站，依托于2G/3G網(wǎng)絡(luò)，wifi等獲取需要聚類的醫(yī)學(xué)圖像并發(fā)送至云端。

(2)云計(jì)算是一種基于互聯(lián)網(wǎng)的計(jì)算方式，通過這種方式，共享的軟硬件資源和信息可以按需提供給計(jì)算機(jī)和其他設(shè)備。我們發(fā)明中設(shè)計(jì)的醫(yī)學(xué)圖像聚類系統(tǒng)所使用的云端服務(wù)器是由多個(gè)云數(shù)據(jù)中心的網(wǎng)絡(luò)服務(wù)器或虛擬主機(jī)所構(gòu)成的，采用云計(jì)算這種并行化計(jì)算來處理大規(guī)模數(shù)據(jù)應(yīng)對于線上的醫(yī)學(xué)圖像聚類用戶，在這種模式下，保證了高訪問時(shí)的定址穩(wěn)定性，也加快了用戶搜索時(shí)的反應(yīng)速度，同時(shí)增強(qiáng)了可擴(kuò)展性。

(3)當(dāng)用戶發(fā)出聚類請求時(shí)，數(shù)據(jù)中心會通過SIFT特征提取方 法、過采樣修正算法進(jìn)行大規(guī)模醫(yī)學(xué)圖像聚類，并給出適合用戶最好的醫(yī)學(xué)圖像聚類方案。

以上所述，僅為本發(fā)明創(chuàng)造較佳的具體實(shí)施方式，但本發(fā)明創(chuàng)造的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明創(chuàng)造披露的技術(shù)范圍內(nèi)，根據(jù)本發(fā)明創(chuàng)造的技術(shù)方案及其發(fā)明構(gòu)思加以等同替換或改變，都應(yīng)涵蓋在本發(fā)明創(chuàng)造的保護(hù)范圍之內(nèi)。