基于纹理特征分类的图像处理装置及方法制造方法及图纸

本发明专利技术公开了一种基于纹理特征分类的图像处理装置包括：图像提取模块，用于获取仅包含股骨头的图像；图像预处理模块，对图像进行灰度量化；特征向量提取模块，用于计算灰度共生矩阵，并提取纹理特征向量；以及特征分类模块，包括分类器构建单元，构建分类器，将纹理特征向量输入构建形成的分类器进行分类，输出分类结果。本发明专利技术将医学图像中表述的抽象物理特征数字化，转变为特征向量的形式进行描述，提取图像中的纹理特征，并基于纹理特征进行分类，提高了对图像识别的正确率。本发明专利技术还公开了一种基于纹理特征分类的图像处理方法。

Image processing device and method based on texture feature classification

The invention discloses an image processing device based on texture feature classification, which includes: an image extraction module for obtaining images containing only the femoral head; an image preprocessing module for gray-scale quantization of images; a feature vector extraction module for calculating gray-level co-occurrence matrix and extracting texture feature vectors; and features. Classification module includes classifier construction unit, classifier construction, texture feature vector input into the classifier formed to classify, output classification results. The invention digitizes the abstract physical features expressed in medical images, transforms them into feature vectors for description, extracts texture features in images, and classifies them based on texture features, thus improving the accuracy of image recognition. The invention also discloses an image processing method based on the classification of texture features.

【技术实现步骤摘要】
基于纹理特征分类的图像处理装置及方法
本专利技术涉及医疗数字图像处理
，具体地，涉及一种基于纹理特征分类的图像处理方法及装置。
技术介绍
医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。医学图像处理是指对已经获得的图像作进一步的处理，其目的是或者是使原来不够清晰的图像复原，或者是为了突出图像中的某些特征信息，或者是对图像做模式分类等等。随着计算机图像处理、模式识别相关技术的发展，医学图像的处理方法随之发展。现有的医学图像难以应用于计算机进行识别，且受限于资金、设备和环境等因素，得到的医学图像的图像质量较差，使得图像识别的正确率较低。
技术实现思路
鉴于以上问题，本专利技术的目的是提供一种基于纹理特征分类的图像处理装置及方法，以解决现有图像处理方法中的图像识别的正确率低的问题。为了实现上述目的，本专利技术采用以下技术方案：本专利技术的一个方面是提供一种基于纹理特征分类的图像处理装置，包括：图像提取模块，用于获取仅包含股骨头的图像；图像预处理模块，对获取的图像进行灰度量化；特征向量提取模块，用于计算灰度共生矩阵，并提取纹理特征向量，包括：灰度共生矩阵构建单元，选取距离差分值(a，b)，并沿0°,45°,90°,135°四个方向进行逐点滑动扫描，得到四个灰度共生矩阵，分别如下所示：P0°.d(a,b)＝|{[(k,l),(m,n)]∈D:k-m＝0,|l-n|＝d,f(k,l)＝a,f(m,n)＝b}|P45°.d(a,b)＝|{[(k,l),(m,n)]∈D:(k-m＝d,l-n＝-d)∨(k-m＝-d,l-n＝d),f(k,l)＝a,f(m,n)＝b}|P90°.d(a,b)＝|{[(k,l),(m,n)]∈D:|k-m|＝d,l-n＝0,f(k,l)＝a,f(m,n)＝b}|P135°.d(a,b)＝|{[(k,l),(m,n)]∈D:(k-m＝d,l-n＝d)∨(k-m＝-d,l-n＝-d),f(k,l)＝a,f(m,n)＝b}|式中，(a,b)为选取的距离差分值，(k,l)为原始的像素坐标，(m,n)为偏移之后的像素坐标，d为原始像素点与偏移后像素点之间的距离，D为图像，f(k,l)为原始像素点的灰度值，f(m,n)为偏移后像素点的灰度值；和特征向量构建单元，用于构建纹理特征向量，选择四个灰度共生矩阵的能量、熵、相关性和对比度作为统计量，分别如下式表示，能量：熵：相关性：对比度：式中，M(i,j)表示灰度共生矩阵的值；以及特征分类模块，包括分类器构建单元，构建分类器，将纹理特征向量输入构建形成的分类器进行分类，输出分类结果0或1,0表示股骨头正常，1表示股骨头异常。优选地，所述分类器构建单元包括：数据输入子单元，输入纹理特征向量数据集和分类标签，获取样本总数N和特征维数M；条件设置子单元，根据样本总数设置随机森林中决策树的数目Num，设置叶子节点最小尺寸、停止分裂条件以及是否剪枝；训练集形成子单元，从N个样本中有放回地抽样N次，形成一个训练集；决策树形成子单元，对于每一个叶子节点，随机选取t个特征，且t小于M，计算t个特征中每个特征对应的信息量，选择其中一个特征作为分类依据，确定叶子节点的分裂方式，形成决策树；以及分类器形成子单元，构造Num棵决策树，形成随机森林分类器。优选地，所述信息量包括基尼指数，基尼指数通过下式计算：其中，pr表示分到第r个类别的概率，R表示类别总数。优选地，所述条件设置子单元中，决策树的数目Num在[50,100]范围内。优选地，所述条件设置子单元中，叶子节点最小尺寸设置为1，停止分裂条件设置为决策树的高度为4或者每个叶子节点的样本数目小于5，是否剪枝设置为否。优选地，所述决策树形成子单元中，t的取值为或优选地，所述图像预处理模块中，获取的图像的灰度值为0～255，对获取的图像进行灰度降级，选择灰度降级为Q，则降级后的图像灰度值为：Gray'(i,j)＝[Gray(i,j)/Q]式中，[]表示向下取整，Gray(i,j)表示获取的图像的灰度值，Gray'(i,j)表示降级后的图像灰度值。优选地，所述特征向量提取模块中，对应0°,45°,90°,135°四个扫描方向，选取的距离差分值(a，b)分别为(1,0)，(0,1)，(1,1)，(-1,-1)。本专利技术的另一个方面是提供一种基于纹理特征分类的图像处理方法，包括以下步骤：步骤S1，获取仅包含股骨头的图像；步骤S2，对获取的图像进行灰度量化；步骤S3，计算灰度共生矩阵，提取纹理特征向量，包括：步骤S31，选取距离差分值(a，b)；步骤S32，沿0°,45°,90°,135°四个方向进行逐点滑动扫描，得到四个灰度共生矩阵，分别如下所示：P0°.d(a,b)＝|{[(k,l),(m,n)]∈D:k-m＝0,|l-n|＝d,f(k,l)＝a,f(m,n)＝b}|P45°.d(a,b)＝|{[(k,l),(m,n)]∈D:(k-m＝d,l-n＝-d)∨(k-m＝-d,l-n＝d),f(k,l)＝a,f(m,n)＝b}|P90°.d(a,b)＝|{[(k,l),(m,n)]∈D:|k-m|＝d,l-n＝0,f(k,l)＝a,f(m,n)＝b}|P135°.d(a,b)＝|{[(k,l),(m,n)]∈D:(k-m＝d,l-n＝d)∨(k-m＝-d,l-n＝-d),f(k,l)＝a,f(m,n)＝b}|式中，(a,b)为选取的距离差分值，(k,l)为原始的像素坐标，(m,n)为偏移之后的像素坐标，d为原始像素点与偏移后像素点之间的距离，D为图像，f(k,l)为原始像素点的灰度值，f(m,n)为偏移后像素点的灰度值；步骤S33，选择四个灰度共生矩阵的能量、熵、相关性和对比度作为统计量，分别如下式所示，构成十六维纹理特征向量，能量：熵：相关性：对比度：式中，M(i,j)表示灰度共生矩阵的值；步骤S4，构建分类器，将纹理特征向量输入构建形成的分类器进行分类，输出分类结果。优选地，所述步骤S4中，构建分类器包括以下步骤：步骤S41，输入纹理特征向量数据集和分类标签，获取样本总数N和特征维数M；步骤S42，根据样本总数设置随机森林中决策树的数目Num，设置叶子节点最小尺寸、停止分裂条件以及是否剪枝；步骤S43，从N个样本中有放回地抽样N次，形成一个训练集；步骤S44，对于每一个叶子节点，随机选取t个特征，且t小于M，计算t个特征中每个特征对应的信息量，选择其中一个特征作为分类依据，确定叶子节点的分裂方式，形成决策树；步骤S45，构造Num棵决策树，形成随机森林分类器。与现有技术相比，本专利技术具有以下优点和有益效果：本专利技术将医学图像中表述的抽象物理特征数字化，转变为特征向量的形式进行描述，提取图像中的纹理特征，并基于纹理特征进行分类，提高了对图像识别的正确率。附图说明图1是本专利技术所述基于纹理特征分类的图像处理装置的结构框图；图2是本专利技术中分类器构建单元结构框图；图3是本专利技术所述基于纹理特征分类的图像处理方法流程示意图；图4是本专利技术中训练随机森林分类器的流程示意图。具体实施方式下面将参考附图来描述本专利技术所述的实施例。本领域的普通技术人员可以认识到，在不偏离本专利技术的精神和范围的情况下，可以用各种不同的方式本文档来自技高网...

【技术保护点】
1.一种基于纹理特征分类的图像处理装置，其特征在于，包括：图像提取模块，用于获取仅包含股骨头的图像；图像预处理模块，对获取的图像进行灰度量化；特征向量提取模块，用于计算灰度共生矩阵，并提取纹理特征向量，包括：灰度共生矩阵构建单元，选取距离差分值(a，b)，并沿0°,45°,90°,135°四个方向进行逐点滑动扫描，得到四个灰度共生矩阵，分别如下所示：P0°.d(a,b)＝|{[(k,l),(m,n)]∈D:k‑m＝0,|l‑n|＝d,f(k,l)＝a,f(m,n)＝b}|P45°.d(a,b)＝|{[(k,l),(m,n)]∈D:(k‑m＝d,l‑n＝‑d)∨(k‑m＝‑d,l‑n＝d),f(k,l)＝a,f(m,n)＝b}|P90°.d(a,b)＝|{[(k,l),(m,n)]∈D:|k‑m|＝d,l‑n＝0,f(k,l)＝a,f(m,n)＝b}|P135°.d(a,b)＝|{[(k,l),(m,n)]∈D:(k‑m＝d,l‑n＝d)∨(k‑m＝‑d,l‑n＝‑d),f(k,l)＝a,f(m,n)＝b}|式中，(a,b)为选取的距离差分值，(k,l)为原始的像素坐标，(m,n)为偏移之后的像素坐标，d为原始像素点与偏移后像素点之间的距离，D为图像，f(k,l)为原始像素点的灰度值，f(m,n)为偏移后像素点的灰度值；和特征向量构建单元，用于构建纹理特征向量，选择四个灰度共生矩阵的能量、熵、相关性和对比度作为统计量，分别如下式表示，能量：...

【技术特征摘要】
1.一种基于纹理特征分类的图像处理装置，其特征在于，包括：图像提取模块，用于获取仅包含股骨头的图像；图像预处理模块，对获取的图像进行灰度量化；特征向量提取模块，用于计算灰度共生矩阵，并提取纹理特征向量，包括：灰度共生矩阵构建单元，选取距离差分值(a，b)，并沿0°,45°,90°,135°四个方向进行逐点滑动扫描，得到四个灰度共生矩阵，分别如下所示：P0°.d(a,b)＝|{[(k,l),(m,n)]∈D:k-m＝0,|l-n|＝d,f(k,l)＝a,f(m,n)＝b}|P45°.d(a,b)＝|{[(k,l),(m,n)]∈D:(k-m＝d,l-n＝-d)∨(k-m＝-d,l-n＝d),f(k,l)＝a,f(m,n)＝b}|P90°.d(a,b)＝|{[(k,l),(m,n)]∈D:|k-m|＝d,l-n＝0,f(k,l)＝a,f(m,n)＝b}|P135°.d(a,b)＝|{[(k,l),(m,n)]∈D:(k-m＝d,l-n＝d)∨(k-m＝-d,l-n＝-d),f(k,l)＝a,f(m,n)＝b}|式中，(a,b)为选取的距离差分值，(k,l)为原始的像素坐标，(m,n)为偏移之后的像素坐标，d为原始像素点与偏移后像素点之间的距离，D为图像，f(k,l)为原始像素点的灰度值，f(m,n)为偏移后像素点的灰度值；和特征向量构建单元，用于构建纹理特征向量，选择四个灰度共生矩阵的能量、熵、相关性和对比度作为统计量，分别如下式表示，能量：熵：相关性：对比度：式中，M(i,j)表示灰度共生矩阵的值；以及特征分类模块，包括分类器构建单元，构建分类器，将纹理特征向量输入构建形成的分类器进行分类，输出分类结果0或1,0表示股骨头正常，1表示股骨头异常。2.根据权利要求1所述的基于纹理特征分类的图像处理装置，其特征在于，所述分类器构建单元包括：数据输入子单元，输入纹理特征向量数据集和分类标签，获取样本总数N和特征维数M；条件设置子单元，根据样本总数设置随机森林中决策树的数目Num，设置叶子节点最小尺寸、停止分裂条件以及是否剪枝；训练集形成子单元，从N个样本中有放回地抽样N次，形成一个训练集；决策树形成子单元，对于每一个叶子节点，随机选取t个特征，且t小于M，计算t个特征中每个特征对应的信息量，选择其中一个特征作为分类依据，确定叶子节点的分裂方式，形成决策树；以及分类器形成子单元，构造Num棵决策树，形成随机森林分类器。3.根据权利要求2所述的基于纹理特征分类的图像处理装置，其特征在于，所述信息量包括基尼指数，基尼指数通过下式计算：其中，pr表示分到第r个类别的概率，R表示类别总数。4.根据权利要求2所述的基于纹理特征分类的图像处理装置，其特征在于，所述条件设置子单元中，决策树的数目Num在[50,100]范围内。5.根据权利要求2所述的基于纹理特征分类的图像处理装置，其特征在于，所述条件设置子单元中，叶子节点最小尺寸设置为1，停止分裂条件设置为决策树的高度为4或者每个叶子节点的样本数目小于5，是否剪枝设置为否。6.根据权利要求2所述的基于纹理...

【专利技术属性】
技术研发人员：闾海荣，李猛，江瑞，张学工，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11