基于关键点检测的NBI胃镜图像处理方法技术

基于关键点检测的NBI胃镜图像处理方法对经过预处理后的胃镜图像使用SIFT算法提取关键点，然后提取部分NBI胃镜图像作为训练集，将训练集中所有关键点组成特征袋，并使用聚类算法生成视觉词典。根据实际词典对单幅NBI胃镜图像进行关键点归类统计作为全局特征。最后采用训练过的分类器对单幅NBI胃镜图像的全局特征进行识别。从而完成NBI胃镜图像的识别过程，由于SFIT算法对具有复杂成像环境、胃液及食物残渣干扰的NBI胃镜图像有良好的鲁棒性，从而使得NBI胃镜图像的识别准确率增高，且降低了计算复杂度。

【技术实现步骤摘要】
【专利摘要】基于关键点检测的NBI胃镜图像处理方法对经过预处理后的胃镜图像使用SIFT算法提取关键点，然后提取部分NBI胃镜图像作为训练集，将训练集中所有关键点组成特征袋，并使用聚类算法生成视觉词典。根据实际词典对单幅NBI胃镜图像进行关键点归类统计作为全局特征。最后采用训练过的分类器对单幅NBI胃镜图像的全局特征进行识别。从而完成NBI胃镜图像的识别过程，由于SFIT算法对具有复杂成像环境、胃液及食物残渣干扰的NBI胃镜图像有良好的鲁棒性，从而使得NBI胃镜图像的识别准确率增高，且降低了计算复杂度。【专利说明】基于关键点检测的NBI胃镜图像处理方法技术邻域本专利技术涉及图像识别，特别是涉及一种基于关键点检测的NBI胃镜图像处理方法。
技术介绍
胃镜图像的计算机识别技术已发展多年。如为减少复杂环境的影响，将图像平均分成多块，然后提取局部颜色特征进行分类识别。目前在众多的研宄中，灰度纹理特征得到广泛应用，例如局部二值模式(LBP，Local Binary Patterns)，纹理频谱以及小波域共生矩阵(WDCMF，Wavelet Domain Co-occurrence Matrix Features，这些方法各自发挥着自己的优势。针对胃镜图像的计算机识别系统大多是基于胃镜图像的成像分析，一般胃镜图像对比度较低，分析难度提高，导致胃镜图像的识别过程慢且准确率低。
技术实现思路
基于此，有必要针对提供一种灵敏度尚、识别准确率尚的基于关键点检测的NBI胃镜图像处理方法 一种基于关键点检测的NBI胃镜图像处理方法，包括以下步骤: 对NBI胃镜图像数据进行预处理，并将NBI胃镜图像转换到灰度空间； 对预处理后的NBI胃镜图像使用SIFT算法提取关键点； 提取部分NBI胃镜图像作为训练集，将训练集中所有关键点组成特征袋，并使用聚类算法生成视觉词典； 根据所述视觉词典对单幅NBI胃镜图像进行关键点归类统计作为全局特征向量； 采用训练过的分类器对单幅NBI胃镜图像的全局特征进行识别。 在其中一个实施例中，所述对NBI胃镜图像数据进行预处理，并将NBI胃镜图像转换到灰度空间的步骤包括: 采用中值滤波与小波去噪联合对NBI胃镜图像进行去噪处理； 将进行去噪处理后的NBI胃镜图像由RGB色度空间转换到灰度空间。 在其中一个实施例中，所述对预处理后的NBI胃镜图像使用SIFT算法提取关键点的步骤包括: 根据转换到灰度空间的NBI胃镜图像与高斯函数卷积、降采样获得高斯金字塔图像； 将相邻两层的高斯图像相减获得高斯差分图像，并在所述高斯差分图像上检测关键点，并根据邻域像素确定关键点的主方向； 根据所述关键点的主方向生成关键点描述子。 在其中一个实施例中，所述根据所述关键点的主方向生成关键点描述子的步骤包括: 取关键点的16*16邻域，并分为4*4的子区域； 对每个子区域获取维度为8的梯度直方图； 将所有子区域的梯度直方图组成关键点描述子。 在其中一个实施例中，所述将NBI胃镜图像训练集中所有关键点组成特征袋的步骤包括: 将NBI胃镜图像组成训练集，并提取训练集中NBI胃镜图像的关键点； 将所有关键点组成特征袋。 在其中一个实施例中，所述使用聚类算法生成视觉词典的步骤包括: 使用硬聚类算法生成尺寸为10、20...、90的视觉词典，其中，所述硬聚类算法的聚类中心个数分别为10、20...、90。 在其中一个实施例中，所述根据所述视觉词典对单幅NBI胃镜图像进行关键点归类统计作为全局特征向量的步骤包括: 根据视觉词典分别对单幅NBI胃镜图像进行关键点归类统计并计算出直方图； 以所述直方图作为单幅NBI胃镜图像的全局特征。 在其中一个实施例中，还包括训练样本对建立的分类模型进行训练； 训练完成的分类器对待测试的NBI胃镜图像进行分类识别。 在其中一个实施例中，所述采用训练过的分类器对单幅NBI胃镜图像的全局特征进行识别的步骤包括: 获取待测试的NBI胃镜图像的全局特征； 采用训练完成的分类器对待测试的NBI胃镜图像进行分类识别。 上述基于关键点检测的NBI胃镜图像处理方法对经过预处理后的胃镜图像使用SIFT算法提取关键点，然后提取部分NBI胃镜图像作为训练集，将训练集中所有关键点组成特征袋，并使用聚类算法生成视觉词典。根据实际词典对单幅NBI胃镜图像进行关键点归类统计作为全局特征。最后采用训练过的分类器对单幅NBI胃镜图像的全局特征进行识另O。从而完成NBI胃镜图像的识别过程，由于SFIT算法对具有复杂成像环境、胃液及食物残渣干扰的NBI胃镜图像有良好的鲁棒性，从而使得NBI胃镜图像的识别准确率增高，且降低了计算复杂度。 【专利附图】【附图说明】 图1为基于关键点检测的NBI胃镜图像处理方法的流程图； 图2(a)为一个实施例中NBI胃镜图像的原图； 图2(b)为对图2(a)中NBI胃镜图像关键点提取的结果示意图； 图3(a)为又一个实施例中NBI胃镜图像的原图； 图3(b)为对图3(a)中NBI胃镜图像关键点提取的结果示意图； 图4为一个实施例中BOF算法输出的全局特征直方图。 【具体实施方式】 NBI (Narrow Band Imaging)即窄带成像，是一种新兴的内窥镜成像技术，它是利用滤光器过滤掉内镜光源所发出的红蓝绿光波中的宽带光谱，仅留下窄带光谱用于诊断消化道各种疾病。采用NBI获取的胃内膜图像数据图像称之为NBI胃镜图像。 如图1所示，为基于关键点检测的NBI胃镜图像处理方法的流程图。 一种基于关键点检测的NBI胃镜图像处理方法，包括以下步骤: 步骤S110，对NBI胃镜图像数据进行预处理，并将NBI胃镜图像转换到灰度空间。 步骤SllO包括: 采用中值滤波与小波去噪联合对NBI胃镜图像进行去噪处理； 将进行去噪处理后的NBI胃镜图像由RGB(R(red，红色)、G(green，绿色)、B(blue，蓝色))色度空间转换到灰度空间。 NBI胃镜图像中包含干扰噪声，一般需要去噪处理。在本实施例中，采用中值滤波和小波去噪联合去噪方法。 原始NBI胃镜图像为彩色的，即RGB色度空间。而实际处理中需要使用NBI胃镜图像的灰度图。因此，将NBI胃镜图像转换到灰度空间。 SIFT (Scale-1nvariant feature transform，角点检测技术)算法是一种计算机视觉的算法，用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。 步骤S120，对预处理后的NBI胃镜图像使用SIFT算法提取关键点。 步骤S120包括: ①根据转换到灰度空间的NBI胃镜图像与高斯函数卷积、降采样获得高斯金字塔图像。 ②将相邻两层的高斯图像相减获得高斯差分图像，并在所述高斯差分图像上检测关键点，并根据邻域像素确定关键点的主方向。 ③根据所述关键点的主方向生成关键点描述子。 在本实施例中，首先构建图像的高斯金字塔，其中高斯金字塔通过NBI胃镜图像与高斯函数卷积、降采样来获得。然后检测关键点。由于每一个采样点要和它所有的相邻点比较，其中相邻点为和采样点同尺度的8个相邻点和本文档来自技高网...

【技术保护点】
一种基于关键点检测的NBI胃镜图像处理方法，包括以下步骤：对NBI胃镜图像数据进行预处理，并将NBI胃镜图像转换到灰度空间；对预处理后的NBI胃镜图像使用SIFT算法提取关键点；提取部分NBI胃镜图像作为训练集，将训练集中所有关键点组成特征袋，并使用聚类算法生成视觉词典；根据所述视觉词典对单幅NBI胃镜图像进行关键点归类统计作为全局特征向量；采用训练过的分类器对单幅NBI胃镜图像的全局特征进行识别。

【技术特征摘要】

【专利技术属性】
技术研发人员：周丰丰，刘记奎，赵苗苗，葛瑞泉，王普，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东;44