一种基于超像素分割的内镜图像质量评价方法技术

本申请公开了一种基于超像素分割的内镜图像质量评价方法，首先通过阈值二值化和形态学计算，得到内镜图像有效区域；其次在内镜图像上进行超像素分割；接着对超像素分割后的各个聚类块进行HSV颜色空间的均值计算；最后将各超像素块的均值与正常图像HSV阈值范围进行比较，得出劣质区域占比，从而从整体上评判内镜图像质量。本申请的内镜图像质量评价方法与医生主观评价较为一致，可靠性高，可以辅助医生筛查高质量内镜图像，对医生的临床诊断和为人工智能辅助诊断提供优良数据集提供帮助。人工智能辅助诊断提供优良数据集提供帮助。人工智能辅助诊断提供优良数据集提供帮助。

【技术实现步骤摘要】
一种基于超像素分割的内镜图像质量评价方法


[0001]本专利技术属于内镜图像质量评价
，特别是涉及一种基于超像素分割的内镜图像质量评价方法。

技术介绍

[0002]在内镜图像中，由于图像本身有可能包含伪影，如高光、大量气泡粘液等，同时也由于人工拍摄的问题，会导致一些图像存在大范围的光斑或者阴影，相机的移动可能会带来运动模糊。这些伪影会严重影响内镜的图像质量，内镜的图像质量不仅会影响医生对病人病情的判断，还会影响人工智能辅助诊断。不论是医学判断还是科学研究，都需要高质量的内镜图像。
[0003]目前内镜图像的质量评价主要是通过医生主观评价筛选，一个病人每次诊断会拍摄大量的内镜图像，需要筛选其中好的图片用于诊断治疗，这样的方法需要非常大的耗时。Zhang等学者(Zhang T,Wang L,Gu J,et al.Design and Implementation ofAReal
‑
time Capsule Endoscope ImageAssessment Method.The 3
rd International Conference on Bioinformatics and Biomedical Engineering.)提出通过Sobel算子计算梯度场来对内镜图像进行无参考质量评价，但是效果一般，因为内镜图像纹理特征差距和图像质量高低关联度不高。Kamen等学者(Ali Kamen,Shanhui Sun,ShaohuaWan,et al.Automatic tissue differentiationbased on confocal endomicroscopic images for intraoperative guidance in neurosurgery.Biomed Res Int.,2016.)通过计算图像熵来筛选高质量的图像，但是这样的方法实验结果很差，得出的结果与医生的主观判断差距较大，并不能有效的帮助评价图像质量。

技术实现思路

[0004]本专利技术目的在于解决目前医生需要从大量内镜拍摄图像中人工筛选优良图像用于诊断的费时费力问题，提出一种可靠性较高的内镜图像质量评价方法，通过方法对内镜图像质量进行评价，得出结果与医生的主观判断差距小，有效的帮助医生评价图像质量，方便采集高质量内镜图像用于诊断和筛查。
[0005]为了实现本专利技术目的，本专利技术公开了一种基于超像素分割的内镜图像质量评价方法，其特征在于，包括以下步骤：
[0006]步骤1、对内镜拍摄的图像进行预处理，通过阈值二值化和形态学方法处理得到所需的有效图像区域(生成mask掩膜，处理得到所需的有效图像区域)；
[0007]步骤2、对预处理后的内镜图像利用线性迭代聚类算法进行SLIC超像素分割；
[0008]步骤3、针对分割后的子区域，统计其HSV颜色空间通道均值；
[0009]步骤4、将不在预设的内镜图像正常阈值范围内的区域定义为劣质区域，劣质区域在全图占比超过25％即为劣质图片,利用本方法对医院提供的内镜图像数据进行质量评价，将结果与医生的主观评价进行比较。
[0010]进一步地，步骤1利用阈值二值化将图像中的黑色区域去除，只剩下内镜图像有效区域和文字说明区域；创建半径为3的圆形结构元素kernel，对剩余图像区域进行腐蚀和膨胀的形态学处理，在经过开运算后，文字区域被去除，只剩下内镜图像有效区域，具体包括：
[0011]步骤1
‑
1、将图像阈值二值化处理，将大于阈值15的像素值设置为255，将小于阈值的像素值设置为0，用于去除图像黑色背景信息；
[0012]步骤1
‑
2、创建一个半径为3的圆形结构核B，将二值化图像A与核B进行卷积通过形态学方法去除图像文字信息干扰；
[0013]步骤1
‑
3、对图像进行形态学腐蚀操作：使用核B的锚点，扫描图像A的每一个像素，核与其覆盖的二值图像做卷积运算，结果都为1则该像素值为1；
[0014]步骤1
‑
4、对图像进行形态学膨胀操作：使用核B的锚点，扫描图像A的每一个像素，核与其覆盖的二值图像做卷积运算，结果都为0则该像素值为0。
[0015]进一步地，在步骤2中，对内镜图像进行SLIC超像素分割，将彩色图像转化为CIELAB颜色空间和XY坐标下的5维特征向量，然后对5维特征向量构造距离度量标准，对图像像素进行局部聚类，超像素是由一系列位置相邻且颜色、亮度或纹理特征相似的像素点组成的小区域。
[0016]进一步地，步骤2具体包括：
[0017]步骤2
‑
1、将彩色图像转化为CIELAB颜色空间和XY坐标系下的5维特征向量；
[0018]步骤2
‑
2、根据5维特征向量构建的距离标准来聚类，初始化种子点，即聚类中心：按照设定的超像素个数，在图像内均匀的分配种子点；
[0019]步骤2
‑
3、在种子点的n*n领域内重新选择种子点；
[0020]步骤2
‑
4、在每个种子点周围的领域内为每个像素点分配类标签；
[0021]步骤2
‑
5、进行距离度量，包括颜色距离和空间距离，对于每个搜索到的像素点，分别计算它和该种子点的距离；由于每个像素点都会被多个种子点搜索到，取最小值对应的种子点作为该像素点的聚类中心；
[0022]步骤2
‑
6、迭代优化，每个像素点会被多个种子点搜索并计算距离，选取最小的距离为该像素点种子中心，直到种子中心不发生变化为止。
[0023]进一步地，在步骤2中，设置100个种子点，图像共有N个像素点，预分割K个相同尺寸的超像素，相邻种子点的距离为S＝Sqrt(N/K)；
[0024]对每个像素点计算它和种子点的距离，距离度量方法为：
[0025][0026][0027][0028]d
c
为颜色距离，d
s
为空间距离，S为最大空间距离，D为距离度量，x、y分别为像素点的横纵坐标，l、a、b为像素颜色值。
[0029]进一步地，步骤3具体包括：
[0030]步骤3
‑
1、将超像素分割后的内镜图像区域进行提取，将各个超像素区域转换为
HSV颜色空间，HSV颜色空间分别表示色调、饱和度和亮度；
[0031]步骤3
‑
2、通过对高质量内镜图像数据集的大量测试，将H、S、V三个通道的阈值范围分别设置为[5，20]、[110，205]以及[110，220](本申请对大量内镜图像区域进行HSV颜色特征直方图统计，得到优良图像区域HSV颜色空间阈值范围为H[5,20]、S[110,205]、V[110,220])；
[0032]步骤3
‑
3、计算待测内镜图像各个超像素区块的HSV均值。
[0033]进一步地，在步骤3中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超像素分割的内镜图像质量评价方法，其特征在于，包括以下步骤：步骤1、对内镜拍摄的图像进行预处理，通过阈值二值化和形态学方法处理得到所需的有效图像区域；步骤2、对预处理后的内镜图像利用线性迭代聚类算法进行SLIC超像素分割；步骤3、针对分割后的子区域，统计其HSV颜色空间通道均值；步骤4、将不在预设的内镜图像正常阈值范围内的区域定义为劣质区域，劣质区域在全图占比超过25％即为劣质图片。2.根据权利要求1所述的一种基于超像素分割的内镜图像质量评价方法，其特征在于，步骤1利用阈值二值化将图像中的黑色区域去除，只剩下内镜图像有效区域和文字说明区域；创建半径为3的圆形结构元素kernel，对剩余图像区域进行腐蚀和膨胀的形态学处理，在经过开运算后，文字区域被去除，只剩下内镜图像有效区域，具体包括：步骤1
‑
1、将图像阈值二值化处理，将大于阈值15的像素值设置为255，将小于阈值的像素值设置为0，用于去除图像黑色背景信息；步骤1
‑
2、创建一个半径为3的圆形结构核B，将二值化图像A与核B进行卷积通过形态学方法去除图像文字信息干扰；步骤1
‑
3、对图像进行形态学腐蚀操作：使用核B的锚点，扫描图像A的每一个像素，核与其覆盖的二值图像做卷积运算，结果都为1则该像素值为1；步骤1
‑
4、对图像进行形态学膨胀操作：使用核B的锚点，扫描图像A的每一个像素，核与其覆盖的二值图像做卷积运算，结果都为0则该像素值为0。3.根据权利要求1所述的一种基于超像素分割的内镜图像质量评价方法，其特征在于，在步骤2中，对内镜图像进行SLIC超像素分割，将彩色图像转化为CIELAB颜色空间和XY坐标下的5维特征向量，然后对5维特征向量构造距离度量标准，对图像像素进行局部聚类，超像素是由一系列位置相邻且颜色、亮度或纹理特征相似的像素点组成的小区域。4.根据权利要求1或3所述的一种基于超像素分割的内镜图像质量评价方法，其特征在于，步骤2具体包括：步骤2
‑
1、将彩色图像转化为CIELAB颜色空间和XY坐标系下的5维特征向量；步骤2
‑
2、根据5维特征向量构建的距离标准来聚类，初始化种子点，即聚类中心：按照设定的超像素个数，在图像内均匀的分配种子点；步骤2
‑
3、在种子点的n*n领域内重新选择种子点；步骤2
‑
4、在每个种子点周围的领域内为每个像素点分配类标签；步骤2
‑
5、进行距离度量，包括颜色距离和空间距离，对于每个搜索到的像素点，分别计算它和该种子点的距离；由于每个像素点都会被多个种子点搜索到，取最小值对应的种子点作为该像素点的聚类中心；步骤2
‑
6、迭代优化，每个像素点会被...

【专利技术属性】
技术研发人员：申明磊，周涛，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：