一种基于多尺度语义特征的慢性静脉疾病图像分类方法技术

本发明专利技术公开了一种基于多尺度语义特征的慢性静脉疾病图像分类方法，包括：对待测慢性静脉疾病图像进行多尺度划分，在每个尺度上，利用每个尺度对应的概念分类器对图像块进行分类，得到待测慢性静脉疾病图像中的每个图像块的概念类别；将每个尺度上每个概念类别出现的频率作为全局表示特征，将每个尺度上的全局表示特征串联得到待测慢性静脉疾病图像的多尺度语义表示；基于高阶相关性的特征选择法从多尺度语义表示中获取对分类结果区分性能最优的特征子集，将特征子集输入场景分类器，得到待测慢性静脉疾病图像的分类结果。本发明专利技术的分类结果准确率高、可靠性强。

【技术实现步骤摘要】
一种基于多尺度语义特征的慢性静脉疾病图像分类方法
本专利技术属于基于人工智能的医学图像分类领域，更具体地，涉及一种基于多尺度语义特征的慢性静脉疾病图像分类方法。
技术介绍
随着现代医学影像技术的迅速发展，自动医学影像分类在医学领域发挥着极其重要的作用。各种机器学习方法包括支持向量机(SVM)、深度学习、贝叶斯网络、基于规则的分类方法、决策级融合等用于构建医学图像的自动分类模式。然而，这些传统的医学图像分类方法大多基于低层次的图像特征，如颜色、纹理、形状等构建。这些低层次的图像特征不能反映医学图像中某些隐藏的、高级的、更具区分性的信息，进而造成了低层次特征与高级语义信息之间的“语义鸿沟”问题。这是医学图像自动分类中最大的挑战之一。为了解决图像分类中的语义鸿沟问题，一般采用基于视觉词袋模型构建的中级语义特征来描述高级语义信息。然而，基于视觉词袋的医学图像分类过程中，图像局部特征提取、字典学习、图像特征描述等都是开放性的问题。(1)尽管包括基于SIFT的局部特征、基于图像块的灰度特征等已经被用于视觉词袋模型，然而，如果图像背景复杂、噪声严重，那么这些单个局部特征的区分性能可能会很差。如何构建区分性更强的局部特征，是建立医学图像自动分类方法的关键问题之一。(2)虽然可以通过非监督学习(K-means等)或者监督学习(pLSA、高斯混合模型等)等方法构建字典，但是，现有的方法均是直接利用全局的监督信息，而忽略了局部的标记信息。如何利用局部标记信息构建区分能力强的字典，是建立医学图像自动分类方法的关键问题之二。(3)在获得视觉字典(visualwords)之后，如何对局部特征进行编码，建立图像的整体描述，是视觉词袋模型的关键问题之三。一般的局部特征编码方法并没有统筹考虑空间信息、尺度信息以及语义信息。由此可见，现有技术存在单个局部特征的区分性能很差、忽略局部标记信息、没有统筹考虑空间信息、尺度信息以及语义信息的技术问题。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于多尺度语义特征的慢性静脉疾病图像分类方法，由此解决现有技术存在单个局部特征的区分性能很差、忽略局部标记信息、没有统筹考虑空间信息、尺度信息以及语义信息的技术问题。为实现上述目的，本专利技术提供了一种基于多尺度语义特征的慢性静脉疾病图像分类方法，包括：(1)对待测慢性静脉疾病图像进行多尺度划分，在每个尺度上，利用每个尺度对应的概念分类器对待测慢性静脉疾病图像中的图像块进行分类，得到待测慢性静脉疾病图像中的每个图像块的概念类别；(2)将每个尺度上每个概念类别出现的频率作为待测慢性静脉疾病图像的全局表示特征，将待测慢性静脉疾病图像在每个尺度上的全局表示特征串联，得到待测慢性静脉疾病图像的多尺度语义表示；(3)基于高阶相关性的特征选择法从待测慢性静脉疾病图像的多尺度语义表示中获取对分类结果区分性能最优的特征子集，将特征子集输入场景分类器，得到待测慢性静脉疾病图像的分类结果。进一步地，概念分类器的训练包括：对样本图像依次进行预处理、图像分块和多尺度划分，在每个尺度上，提取样本图像的低层次特征，然后根据概念类别对样本图像的图像块进行标记，得到样本训练集，基于高阶相关性的特征选择法从样本训练集中选择对概念类别区分性能最优的样本特征子集；利用每个尺度下的样本特征子集训练支持向量机模型，得到每个尺度对应的概念分类器。进一步地，低层次特征包括：局部二值模式特征，边缘直方图描述子，灰度共生矩阵纹理，密集SIFT特征的均值与方差，梯度平均值，RGB三通道的灰度平均值、中值、方差，YCbCr色彩空间的平均值、方差、中值，图像块四邻域的局部特征平均值。进一步地，概念类别包括：正常皮肤、网状静脉或毛细血管扩展、静脉曲张、色素沉着或水肿、静脉溃疡。进一步地，场景分类器的训练包括：对样本图像执行步骤(1)-(2)，得到样本图像的多尺度语义表示，对样本图像的分类结果进行标记，得到训练数据；基于高阶相关性的特征选择法从训练数据中选择出对分类结果区分性能最优的训练特征子集；利用训练特征子集训练支持向量机模型，得到场景分类器。进一步地，分类结果包括：轻度、中度和重度。进一步地，基于高阶相关性的特征选择法包括：利用模糊隶属度表示概率，利用概率计算联合熵、条件熵和边缘熵；利用新的测度衡量特征的重要性，所述新的测度包括类别条件冗余项、非条件冗余项、特征相关项以及二阶相互作用项；利用基于高阶相关性的特征重要性结合前向搜索策略搜索得到最优的特征子集。总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：本专利技术对待测慢性静脉疾病图像进行多尺度划分，在每个尺度上获取每个图像块的概念类别，利用每个尺度上每个概念类别出现的频率作为全局表示特征，将每个尺度上的全局表示特征串联，得到多尺度语义表示，深入挖掘了慢性静脉疾病图像中隐藏的区分性强的多尺度中层次语义特征，有效的缩小了低级图像特征与高级图像理解之间的“语义鸿沟”，能够提供准确性高的、有价值的慢性静脉疾病图像分类结果；由此解决现有技术存在单个局部特征的区分性能很差、忽略局部标记信息、没有统筹考虑空间信息、尺度信息以及语义信息的技术问题。附图说明图1是本专利技术实施例提供的一种基于多尺度语义特征的慢性静脉疾病图像分类方法的流程图；图2是本专利技术实施例提供的概念分类器的训练流程图；图3是本专利技术实施例提供的获取多尺度语义表示的流程图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。如图1所示，一种基于多尺度语义特征的慢性静脉疾病图像分类方法，包括：(1)对待测慢性静脉疾病图像进行多尺度划分，在每个尺度上，利用每个尺度对应的概念分类器对待测慢性静脉疾病图像中的图像块进行分类，得到待测慢性静脉疾病图像中的每个图像块的概念类别；(2)将每个尺度上每个概念类别出现的频率作为待测慢性静脉疾病图像的全局表示特征，将待测慢性静脉疾病图像在每个尺度上的全局表示特征串联，得到待测慢性静脉疾病图像的多尺度语义表示；(3)基于高阶相关性的特征选择法从待测慢性静脉疾病图像的多尺度语义表示中获取对分类结果区分性能最优的特征子集，将特征子集输入场景分类器，得到待测慢性静脉疾病图像的分类结果。如图2所示，概念分类器的训练包括：对样本图像依次进行预处理、图像分块和多尺度划分，预处理包括背景去除、亮度归一化和大小归一化，在每个尺度上，提取样本图像的低层次特征，然后根据概念类别对样本图像的图像块进行标记，得到样本训练集，基于高阶相关性的特征选择法从样本训练集中选择对概念类别区分性能最优的样本特征子集；利用每个尺度下的样本特征子集训练支持向量机模型，得到每个尺度对应的概念分类器。低层次特征包括：局部二值模式特征，边缘直方图描述子，灰度共生矩阵纹理，密集SIFT特征的均值与方差，梯度平均值，RGB三通道的灰度平均值、中值、方差，YCbCr色彩空间的平均值、方差、中值，图像块四邻域的局部特征平均值。概念类别包括：正常皮肤1、网状静脉或毛细血本文档来自技高网...

【技术保护点】
1.一种基于多尺度语义特征的慢性静脉疾病图像分类方法，其特征在于，包括：(1)对待测慢性静脉疾病图像进行多尺度划分，在每个尺度上，利用每个尺度对应的概念分类器对待测慢性静脉疾病图像中的图像块进行分类，得到待测慢性静脉疾病图像中的每个图像块的概念类别；(2)将每个尺度上每个概念类别出现的频率作为待测慢性静脉疾病图像的全局表示特征，将待测慢性静脉疾病图像在每个尺度上的全局表示特征串联，得到待测慢性静脉疾病图像的多尺度语义表示；(3)基于高阶相关性的特征选择法从待测慢性静脉疾病图像的多尺度语义表示中获取对分类结果区分性能最优的特征子集，将特征子集输入场景分类器，得到待测慢性静脉疾病图像的分类结果。

【技术特征摘要】
1.一种基于多尺度语义特征的慢性静脉疾病图像分类方法，其特征在于，包括：(1)对待测慢性静脉疾病图像进行多尺度划分，在每个尺度上，利用每个尺度对应的概念分类器对待测慢性静脉疾病图像中的图像块进行分类，得到待测慢性静脉疾病图像中的每个图像块的概念类别；(2)将每个尺度上每个概念类别出现的频率作为待测慢性静脉疾病图像的全局表示特征，将待测慢性静脉疾病图像在每个尺度上的全局表示特征串联，得到待测慢性静脉疾病图像的多尺度语义表示；(3)基于高阶相关性的特征选择法从待测慢性静脉疾病图像的多尺度语义表示中获取对分类结果区分性能最优的特征子集，将特征子集输入场景分类器，得到待测慢性静脉疾病图像的分类结果。2.如权利要求1所述的一种基于多尺度语义特征的慢性静脉疾病图像分类方法，其特征在于，所述概念分类器的训练包括：对样本图像依次进行预处理、图像分块和多尺度划分，在每个尺度上，提取样本图像的低层次特征，然后根据概念类别对样本图像的图像块进行标记，得到样本训练集，基于高阶相关性的特征选择法从样本训练集中选择对概念类别区分性能最优的样本特征子集；利用每个尺度下的样本特征子集训练支持向量机模型，得到每个尺度对应的概念分类器。3.如权利要求2所述的一种基于多尺度语义特征的慢性静脉疾病图像分类方法，其特征在于，所述低层次特征包括：局部二值模式特征，边缘直方图描述子，灰度共生矩阵纹理，密集...

【专利技术属性】
技术研发人员：石强，薛志东，陈维亚，黄秋晗，邹苇，唐静，周成，彭柯，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北,42