一种基于字典学习的胃镜器官分类方法技术

一种基于字典学习的胃镜器官分类方法，首先将原始图像进行预处理，进而从图像数据中提取颜色和纹理特征并融合，构建了测试集和多类训练集，建立K次奇异值分解字典学习模型，并将多类训练集矩阵输入模型进行求解，迭代更新，分别训练出多类字典；再将测试集分别在多类字典下通过正交匹配追踪算法得到稀疏系数，进而算出在每类字典下重构出的测试集；最后，构建均方误差分类器，通过比较重构出的测试集与原测试集的均方误差，进行多类器官的分类。本发明专利技术可以实现肠胃内窥镜不同器官的分类；能有效进行内窥镜器官分类。

【技术实现步骤摘要】
一种基于字典学习的胃镜器官分类方法
本专利技术涉及肠胃内窥镜图像的器官分类技术，特别涉及一种基于字典学习的胃镜器官分类方法。
技术介绍
目前越来越多的人遭受肠胃疾病的困扰，八种最致命的癌症中有三种癌症就在肠胃中，并每年的致死病例也只高不减。内窥镜检查作为胃肠道研究的黄金标准，已广泛应用于医院对肠胃的早期检测和辅助治疗，能有效降低病发率和死亡率。在无线胶囊内窥镜检查出现之前，胃肠道检查主要依赖于传统的手持式胃镜，但是在患者必须承受很痛苦的同时，因为手持式胃镜自身的侵入性，为保安全也难以准确获取整个胃肠道的情况。因此无线胶囊内窥镜作为新的无痛无创的技术，不仅降低了患者做传统胃镜需面临的风险，还能检测到整个胃肠道的状态，包括手持式内镜难以到达的小肠区域。然而，无论是传统的胃镜检查还是无线胶囊内窥镜，每次诊断都会产生大量图像数据。在8小时检查过程中，胶囊产生大约50,000张图像，临床医生需要花费大量精力和时间才能在进行诊断之前从巨大的图像数据集中区分出器官部位，找到病变图像。工作量不言而喻，而提出辅助医生诊断治疗的方法则具有重大意义。那么，胃肠道器官之间的快速和自动区分将为医生提供便利，针本文档来自技高网...

【技术保护点】
1.一种基于字典学习的胃镜器官分类方法，其特征在于：所述方法包括如下步骤：步骤1：获取内窥镜拍摄的图像，由五类不同的胃镜部位组成；步骤2：对获取的胃镜图像进行预处理，过程如下：2.1提取出整张胃镜图的组织区，去除背景区；2.2去除因内镜摄像头拍摄造成的亮斑和暗区，避免人工造成的纹理或颜色特征；步骤3：提取图像的颜色特征和纹理特征，过程如下：3.1在色相‑饱和度‑明度颜色空间下，采用颜色直方图算法提取图像的颜色特征，分别对色相、饱和度、明度三个通道的值进行量化，形成颜色直方图作为图像的颜色特征；3.2在色相‑饱和度‑明度颜色空间的色相通道下，采用均匀局部二值模式算法提取图像的纹理特征；步骤4：图...

【技术特征摘要】
1.一种基于字典学习的胃镜器官分类方法，其特征在于：所述方法包括如下步骤：步骤1：获取内窥镜拍摄的图像，由五类不同的胃镜部位组成；步骤2：对获取的胃镜图像进行预处理，过程如下：2.1提取出整张胃镜图的组织区，去除背景区；2.2去除因内镜摄像头拍摄造成的亮斑和暗区，避免人工造成的纹理或颜色特征；步骤3：提取图像的颜色特征和纹理特征，过程如下：3.1在色相-饱和度-明度颜色空间下，采用颜色直方图算法提取图像的颜色特征，分别对色相、饱和度、明度三个通道的值进行量化，形成颜色直方图作为图像的颜色特征；3.2在色相-饱和度-明度颜色空间的色相通道下，采用均匀局部二值模式算法提取图像的纹理特征；步骤4：图像特征融合，如下：归一化步骤3提取的两类特征并融合得到新的特征，同时保证最后的特征矩阵中每列表示每张图像的特征；步骤5：分配训练集和测试集，如下：将每类图像的特征集，分为训练集和测试集，从每类图像的所有特征集中，随机抽取一定的数量作为测试集，剩下的作为训练集，以保证训练的遍历性，避免过拟合情况发生；最后得到训练集和测试集T为五类训练集矩阵组成的元胞，Y为五类测试集合并的矩阵；步骤6：训练字典：对五类训练集分别进行K次奇异值分解字典学习得到五个字典，步骤如下：6.1输入用于训练的特征集T；6.2对于每类特征集，通过K次奇异值分解字典学习算法训练字典：其中，Tj为元胞T中的第j类训练集，Dj为第j类训练集对应的字典，Xj为第j类训练集在第j类字典下的稀疏表示系数，xi为稀疏表示...

【专利技术属性】
技术研发人员：李胜，程铖，何熊熊，常丽萍，姜倩茹，李唱，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33