Wce視頻分段提取顯著特征信息的方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及計(jì)算機(jī)領(lǐng)域，尤其設(shè)及一種WCE視頻分段提取顯著特征信息的方法。
【背景技術(shù)】
[0002] 通常膠囊內(nèi)鏡至少W2f/s(帖每秒）的速率傳輸所拍攝到的消化道內(nèi)壁圖像，在 人體內(nèi)大約停留8小時(shí)，大概產(chǎn)生50000-60000幅圖像。膠囊內(nèi)窺鏡（WirelessCapsule 化doscope，WC巧取代了傳統(tǒng)插入式內(nèi)窺鏡。由于膠囊內(nèi)窺鏡在臨床領(lǐng)域中扮演著重要的角 色，如；消化道不明原因的出血檢測(cè)，克羅恩病的診斷W及小腸腫瘤診斷等消化道疾病的診 斷。然而，該些診斷方法都是非自動(dòng)的人力密集型的方式，該樣的方式需要消耗醫(yī)生大量的 時(shí)間W及精力。即使是一個(gè)訓(xùn)練有素的專家醫(yī)生通過該些手工的方法來檢測(cè)WCE視頻圖像 的異常圖像，如；出血或者潰瘍的圖像，也需要超過一個(gè)小時(shí)的時(shí)間，對(duì)于其他非專家醫(yī)生 來說，需要的時(shí)間則更長(zhǎng)，高達(dá)3~4個(gè)小時(shí)。所從為了解決該一難題，研究者們提出了一 些方法來減輕醫(yī)生的負(fù)擔(dān)。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問題，特別創(chuàng)新地提出了一種WCE視 頻分段提取特征信息的方法。
[0004] 為了實(shí)現(xiàn)本發(fā)明的上述目的，本發(fā)明提供了 一種通過提取HSI特征對(duì)WCE視頻分 段提取顯著特征信息的方法，其關(guān)鍵在于，包括如下步驟：
[0005] 步驟1，獲取待提取特征信息的圖片數(shù)據(jù)，將待提取特征信息的圖片數(shù)據(jù)的RGB顏 色特征轉(zhuǎn)換為服I顏色特征，將轉(zhuǎn)換為服I顏色特征后的圖片數(shù)據(jù)進(jìn)行量化降維；
[0006] 步驟2,將量化降維處理的圖片數(shù)據(jù)通過樸素貝葉斯分類器算法進(jìn)行分類后，獲取 帶有顯著特征信息的WCE視頻圖像分段模型。
[0007] 所述的通過提取服I特征對(duì)WCE視頻分段提取顯著特征信息的方法，優(yōu)選的，步驟 1包括：
[000引步驟1-1，輸入圖像的R、G、B值，其對(duì)應(yīng)的HSI模型中的H、S、I分量由公式計(jì)算得 到，
[0011]I= (R+G+B)/3
[0012]
[001引其中，R、G、B為圖片像素的紅、綠、藍(lán)刺激值。
[0014] 所述的通過提取服I特征對(duì)WCE視頻分段提取顯著特征信息的方法，優(yōu)選的，步驟 1還包括：
[0015] 步驟1-2,色度量化成8個(gè)空間，把飽和度量化成3個(gè)空間，把亮度分別量化成3個(gè) 空間，即顏色空間被分層了 8X3X3的區(qū)間，具體量化值為，
[0016] 設(shè)變量h、S、i，分別表示量化中H、S、I的取值范圍，計(jì)算如下，
[0020] 則通過上式分別對(duì)H、S、I進(jìn)行量化，具體量化值如下；
[0021]
[0024] 所述的通過提取HSI特征對(duì)WCE視頻分段提取顯著特征信息的方法，優(yōu)選的，步驟 2包括；
[0025] 步驟2-1，設(shè)D是訓(xùn)練元組和其相關(guān)聯(lián)的類標(biāo)號(hào)的集合，每個(gè)元組用一個(gè)n維屬性 向量X= {x。X2,. . .，X。}表示，分別描述元組在n個(gè)屬性集A。A2,........A。對(duì)元組的n個(gè) 度量，且各屬性之間相互獨(dú)立；
[0026] 步驟2-2,假設(shè)有m個(gè)類Cl,C2,C3,.....(；，給定元組X，分類法將預(yù)測(cè)X屬于最 高后驗(yàn)概率的類，也就是說樸素貝葉斯法預(yù)測(cè)X屬于類。，當(dāng)且僅當(dāng)口咕|幻>P(Cj.|X) 1《j《m,j聲i，其中i、j為正整數(shù)，
[0027] 該樣，最大化P(。I幻，P(。I幻最大的類。稱為最大后驗(yàn)假設(shè)，根據(jù)貝葉斯定理， [002引
[0029] 步驟2-3,由于P佩對(duì)所有類為常數(shù)，所WP狂|Ci)P(。）最大即可，若類是先驗(yàn)概 率未知，則通常假定該些類是等概率的，即P(Cl) =P(C2) = . . . =P(Cm)，并據(jù)此對(duì)P狂I 最大化；否則，最大化P狂|Ci)P(。）；
[0030] 步驟2-4,給定元組的類標(biāo)號(hào)，且屬性值有條件地相互獨(dú)立，因此，
[0031]
[0032] Xk表示元組X在屬性Ak的值，由于Ak是分類屬性，則P(XkI是D中屬性Ak的值 為Xk的Ci類的元組數(shù)ICldI;
[003引步驟2-5,為了預(yù)測(cè)X的類標(biāo)號(hào)，對(duì)每個(gè)類計(jì)算P狂I。)P咕），該分類法預(yù)測(cè)輸 入元組X的類為當(dāng)且僅當(dāng)，
[0034] P狂|Ci)P(。）>Pa|Cj)P(Cj), 1《j《m，j聲i，
[0035] 被預(yù)測(cè)的類標(biāo)號(hào)是使P間Ci)P(。）最大的。。
[0036] 本發(fā)明還公開一種通過提取LBP特征對(duì)WCE視頻分段提取顯著特征信息的方法， 其關(guān)鍵在于，包括如下步驟：
[0037] 步驟r，獲取待提取特征信息的圖片數(shù)據(jù)，提取基于RGB信息的圖片數(shù)據(jù)的LBP紋 理特征，將轉(zhuǎn)換為L(zhǎng)BP紋理特征后的圖片數(shù)據(jù)進(jìn)行量化降維；
[003引步驟2'，將量化降維處理的圖片數(shù)據(jù)通過樸素貝葉斯分類器算法進(jìn)行分類后，獲 取帶有顯著特征信息的WCE視頻圖像分段模型。
[0039] 所述的通過提取LBP特征對(duì)WCE視頻分段提取顯著特征信息的方法，優(yōu)選的，所述 步驟r包括：
[0040] 步驟r-1，對(duì)于圖像中每一個(gè)像素，將其相鄰的8個(gè)點(diǎn)進(jìn)行順時(shí)針或逆時(shí)針的比 較，如果中屯、像素值比該鄰點(diǎn)大，則將鄰點(diǎn)賦值為1，否則賦值為0,通過該過程每個(gè)點(diǎn)都會(huì) 獲得一個(gè)8位二進(jìn)制數(shù)，即得到該窗口中屯、像素點(diǎn)的LBP值，并用該LBP值來反映該區(qū)域的 紋理信息；
[0041] 步驟r-2,將提取LBP特征的圖片數(shù)據(jù)進(jìn)行降維處理。
[0042] 所述的通過提取LBP特征對(duì)WCE視頻分段提取顯著特征信息的方法，優(yōu)選的，步驟 r-2包括：
[0043] 步驟A，找到有兩次跳變的LBP二進(jìn)制模式；
[0044] 步驟B，從已經(jīng)找到的二進(jìn)制模式中，將最長(zhǎng)的連續(xù)的1或0的長(zhǎng)度作為該二進(jìn)制 模式的LBP值。
[0045] 所述的通過提取LBP特征對(duì)WCE視頻分段提取顯著特征信息的方法，優(yōu)選的，步驟 2'包括；
[0046]步驟2' -1，設(shè)D是訓(xùn)練元組和其相關(guān)聯(lián)的類標(biāo)號(hào)的集合，每個(gè)元組用一個(gè)n維屬 性向量X= {x。X2,. . .，X。}表示，分別描述元組在n個(gè)屬性集Ai，As,........A。對(duì)元組的n 個(gè)度量，且各屬性之間相互獨(dú)立；
[0047] 步驟2' -2,假設(shè)有m個(gè)類Cl,C2,C3,.....(；，給定元組X，分類法將預(yù)測(cè)X屬于最 高后驗(yàn)概率的類，也就是說樸素貝葉斯法預(yù)測(cè)X屬于類。，當(dāng)且僅當(dāng)口咕|幻>P(Cj.|X) 1《j《m,j聲i，其中i、j為正整數(shù)，
[0048] 該樣，最大化P(。I幻，P(。I幻最大的類。稱為最大后驗(yàn)假設(shè)，根據(jù)貝葉斯定理，
[0049]
[0化0] 步驟2'-3,由于P00對(duì)所有類為常數(shù)，所WP狂|Ci)P(。）最大即可，若類是先驗(yàn)概 率未知，則通常假定該些類是等概率的，即P(Ci) =P(C2) = ... =P(Cm)，并據(jù)此對(duì)P狂I。） 最大化；否則，最大化P狂|Ci)P(。）；
[0化1] 步驟2' -4,給定元組的類標(biāo)號(hào)，且屬性值有條件地相互獨(dú)立，因此，
[0化2]
[0053]Xk表示元組X在屬性Ak的值，由于Ak是分類屬性，則P(XkI是D中屬性Ak的值 為Xk的Ci類的元組數(shù)ICldI;
[0054] 步驟2' -5，為了預(yù)測(cè)X的類標(biāo)號(hào)，對(duì)每個(gè)類。，計(jì)算P狂I。)P咕），該分類法預(yù)測(cè) 輸入元組X的類為當(dāng)且僅當(dāng)，
[0055] P狂|Ci)P(。）>Pa|Cj)P(Cj), 1《j《m，j聲i，