本发明专利技术提供一种基于超声图像低秩分析的甲状腺病灶图像识别方法，包括了三个步骤：基于超像素层次化分割的图像块状特征提取与描述，以超像素为单位、多尺度层次化提取图像特征，借助超像素去除图像的冗余信息，降低后续图像处理任务的复杂度，兼顾全局和局部信息的获取；基于特征空间低秩重构误差分析的甲状腺识别，根据图像结构信息的低秩性，通过优化最低秩的方式求解测试数据与词典之间的相似度，计算重构误差，结合graph-cut分割算法识别甲状腺区域；基于局部低秩分解的甲状腺病灶检测，采用低秩分解的方法，将数据矩阵分为具有低秩性的矩阵和具有稀疏性的误差矩阵两部分，计算稀疏误差，进行显著性检测，确定病灶区域。
【技术实现步骤摘要】
本专利技术涉及。
技术介绍
视觉是人类获取信息的重要来源，在计算机替代人类可重复性工作的信息时代， 图像处理与模式识别无疑是目前研究和应用的一大热门。在今年的全国政协会议上，政协 委员、百度公司CEO李彦宏建议设立"中国大脑"计划，推动人工智能跨越发展，抢占新一轮 科技革命制高点；谷歌、微软亚洲研究院等世界著名研究机构成立有专门的计算机视觉小 组。这表明人工智能的时代即将到来，而图像处理与模式识别作为人工智能中的一个重要 组成部分，其研究与应用价值的重要性不言而喻。目前图像处理与模式识别领域的研究热点主要集中于目标检测、图像分割、分类 识别、目标跟踪、3D场景重建等方面，图像识别的重要目标是根据图像，分辨其中物体的类 另IJ，并做出相应的判断。其中图像识别是人类视觉认知的延伸，包含诸如条码识别、生物特 征识别、手写识别等多个方面。因此，随着图像的广泛应用，利用计算机对图像提取特定类 型的特征，通过融入先验知识对其建立分析处理模型，进而据此对兴趣目标进行自动、准确 的识别，尽可能地降低手工劳动工作量，已经成为现在的发展趋势，并可为跟踪、分割、重建 等后续应用提供必要的技术基础，具有重要的科学研究意义。 根据调研，目前尚不存在甲状腺病灶图像的识别方法。
技术实现思路
本专利技术解决的技术问题是：克服现有技术的不足，提供一种基于超声图像低秩分 析的甲状腺病灶图像识别方法，实现对甲状腺区域图像自动和准确的识别，，为计算机辅助 诊断提供新的方法。 本专利技术采用的技术方案为：一种基于超声图像低秩分析的甲状腺病灶图像识别方 法，包括以下三个步骤： 步骤（一），采用聚类的方法，以位置相近、特征相似的像素聚为一类，将超声图像 划分为若干个子区域组成超像素；按照每个超像素包含像素数量的大小，进行若干层次的 超像素分割；以超像素为单位，提取超声图像的方向梯度直方图H0G特征和局部二值模式 LBP特征，对于一个超像素，将其H0G特征与LBP特征串联，即得到一个列向量，用于表示该 超像素的特征；超声图像分为训练图像和测试图像两类，训练图像含有医生标注信息，供训 练词典时使用；测试图像不含医生标注信息，供测试方法的效果使用； 步骤（二），对于通过步骤（一）得到的训练图像特征，结合医生标定的甲状腺区 域图像位置，将甲状腺区域图像位置的超像素的块状特征组成词典；对于通过步骤（一） 得到的训练图像特征，利用图像特征数据之间的相关性和全局结构信息，通过低秩重构误 差分析的方法，将与词典相似的图像特征数据重构出来，计算重构误差；使用graph-cut算 法对测试图像进行分割处理，结合graph-cut分割结果，标定出甲状腺的位置区域，供步骤 (三）使用； 步骤（三）通过步骤（一）计算得到甲状腺位置区域图像特征，将所有特征并联 为一个矩阵，使用低秩分解的方法对该矩阵进行低秩分解，得到一个具有低秩性的矩阵和 一个具有稀疏性的误差矩阵；计算误差矩阵中各列向量的范数，得到稀疏误差；设定一个 阈值，根据误差矩阵，计算每个超像素的稀疏误差，稀疏误差大于该阈值的超像素即认为是 病灶区域。 所述步骤（一）中的基于超像素层次化分割具体实现如下： (1)给出一个超像素分割的数目η作为输入参数； (2)根据给出的数目η，生成η个中心点，平均放置在超声图像中进行初始化； (3)在Labxy五维向量空间中，根据第⑵步生成的中心点，对每个像素点进行聚 类操作； (4)所有像素点聚类完成后，将每一类中像素点平均值更新为新的中心点； (5)根据第（4)步得到的新中心点，判断是否满足收敛条件，如果满足，则结束，返 回超像素分割完成的标注图像和实际分割超像素数目，如果不满足，则回到第（3)步，继续 对像素点进行聚类操作； (6)设置多个超像素分割数目，重复（1)~（6)步，得到层次化分割结果。 所述步骤（一）中的以超像素为单位，提取图像的H0G特征和LBP特征的具体实 现如下： (1)遍历整幅图像，计算出每个像素点的梯度方向大小和与周围8个像素灰度值 的大小关系，得到每个像素点的特征数值； (2)结合超像素分割信息，根据第（1)步的每个像素的特征数值，将其统计到所在 超像素中，形成统计直方图，提取H0G特征和LBP特征。 所述步骤（二）的低秩重构误差分析具体实现如下： (1)将训练图像按照步骤（一）进行超像素层次化分割与特征提取，结合医生标注 的甲状腺区域信息，将属于甲状腺区域的所有超像素的特征并联，得到词典； (2)将测试图像按照步骤（一）进行超像素层次化分割与特征提取，将所有超像素 的特征与第（1)步得到的词典并联，得到数据矩阵X; (3)对第（2)步得到的数据矩阵X，用测试图像特征重构词典，使用增广拉格朗日 乘子法求解公式： 得到系数矩阵Z，其中E为误差，λ为参数； (4)根据第（3)步得到的系数矩阵Ζ，计算测试图像各超像素重构词典时的重构误 差； (5)对测试图像进行Graph-cut分割，根据第（4)步每个超像素的重构误差，对分 割区域进行投票，得到平均重构误差最小的区域即认为是甲状腺区域。 所述步骤（三）的低秩分解的具体实现如下： (1)根据步骤（二）得到的甲状腺区域图像，将其按照步骤（一）进行超像素层次 化分割与特征提取，将所有超像素的特征并联，得到数据矩阵X; (2)对第（1)步得到的数据矩阵X，求解公式： 得到误差矩阵E，其中A为低秩部分矩阵，λ为参数。 (3)根据第⑵步得到的误差矩阵Ε，计算甲状腺区域图像内各超像素特征的稀疏 误差；设定一个阈值，稀疏误差大于该阈值的超像素即可认为属于病灶区域图像。 本专利技术的原理在于： (1)通过基于线性迭代聚类的方法，根据像素位置的相近性和像素颜色的相似性， 通过不断的简单线性聚类，将图像分割为多个子区域，组成超像素。首先遍历整幅图像，计 算出每个像素点的梯度方向大小和与周围8个像素灰度值的大小关系；然后根据超像素分 割得到的标注信息，将每个像素的特征数值统计到所在超像素中，形成统计直方图；最后把 每个超像素的特征作为一个列向量，并联起所有列向量即构成词典，供后续工作使用。 (2)为了识别甲状腺区域，本专利技术通过低秩表示的方法，提出了一种通过利用数据 之间的相关性和全局结构信息，将与训练词典相似的数据重构出来，且重构误差较小，并结 合graph-cut分割出的区域，可以有效地识别甲状腺区域的方法。 (3)为了检测甲状腺病灶位置，本专利技术通过基于局部低秩分解的显著性检测的方 法，甲状腺区域特征具有低秩性，而病灶的存在会破坏这种低秩性。对甲状腺区域精细化超 像素分割进行低秩分解，通过稀疏误差矩阵可以对病灶进行有效地检测。 本专利技术与现有技术相比的优点在于： (1)基于超像素提取图像特征可以有效降低数据规模，提高算法效率。相比于传统 的基于像素的方法，超像素聚集特征、位置相似相近的像素，可以表示一个区域的特征，减 少冗余计算量。多尺度层次化提取图像特征的方法，可以兼顾全局和局部信息的获取，有效 地提高识别准确率。 当前第1页1 2 3 4 本文档来自技高网...
【技术保护点】
一种基于超声图像低秩分析的甲状腺病灶图像识别方法，其特征在于包括以下三个步骤：步骤(一)，采用聚类的方法，以位置相近、特征相似的像素聚为一类，将超声图像划分为若干个子区域组成超像素；按照每个超像素包含像素数量的大小，进行若干层次的超像素分割；以超像素为单位，提取超声图像的方向梯度直方图HOG特征和局部二值模式LBP特征，对于一个超像素，将其HOG特征与LBP特征串联，即得到一个列向量，用于表示该超像素的特征；超声图像分为训练图像和测试图像两类，训练图像含有医生标注信息，供训练词典时使用；测试图像不含医生标注信息，供测试方法的效果使用；步骤(二)，对于通过步骤(一)得到的训练图像特征，结合医生标定的甲状腺区域图像位置，将甲状腺区域图像位置的超像素的块状特征组成词典；对于通过步骤(一)得到的训练图像特征，利用图像特征数据之间的相关性和全局结构信息，通过低秩重构误差分析的方法，将与词典相似的图像特征数据重构出来，计算重构误差；使用graph‑cut算法对测试图像进行分割处理，结合graph‑cut分割结果，标定出甲状腺的位置区域，供步骤(三)使用；步骤(三)通过步骤(一)计算得到甲状腺位置区域图像特征，将所有特征并联为一个矩阵，使用低秩分解的方法对该矩阵进行低秩分解，得到一个具有低秩性的矩阵和一个具有稀疏性的误差矩阵；计算误差矩阵中各列向量的范数，得到稀疏误差；设定一个阈值，根据误差矩阵，计算每个超像素的稀疏误差，稀疏误差大于该阈值的超像素即认为是病灶区域。...
【技术特征摘要】
【专利技术属性】
技术研发人员：郝爱民，闫德辉，李帅，秦洪，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。