[发明专利]一种图像边缘近邻描述特征算子的提取方法

说明书

技术领域

本发明涉及一种图像处理方法，具体来说涉及一种图像边缘近邻描述特征算子的提取方法。

背景技术

图像特征提取是图像识别的关键步骤，图像特征提取的效果直接决定着图像识别的效果。如何从原始图像中提取具有较强表示能力的图像特征是智能图像处理的一个研究热点。

图像分割、配准、检索等图像处理技术通常使用低级特征(如颜色、纹理，形状)来描述图像。颜色(灰度)直方图是实践中最常用的图像统计特征。大多数医学图像都是灰度图像，这时颜色信息将无法采用。纹理特征是表示图像的另一种重要的视觉特征，纹理结构反映图像亮度的空间变化情况，具有局部与整体的自相似性。纹理是由纹理基元按某种确定的规律或统计规律排列而形成的局部结构化特征，在纹理区域内各部分具有大致相同的结构。提取纹理特征的一些方法有共生矩阵法、Tamura纹理特征、Gabor滤波法及小波方法等。尽管纹理是计算机视觉和图像处理领域中一个重要的研究内容，但由于纹理具有广泛性和多样性，因而对纹理还没有一个大家都能接受的精确定义。

相对于颜色或纹理等低层形状特征而言，形状特征属于图像的中间层特征，它作为刻画图像中物体和区域特点的重要特征，是描述高层视觉特征(如目标、对象)的重要手段。形状是特征提取研究中另一个常用的特征。表述形状特征的方法主要有：不变矩方法、傅立叶方法、方向直方图、方向共生矩阵和小波变换方法等。形状度量方法不具有良好的形状区分能力，不能有效的表达形状之间的相似性。

图像边缘是指图像灰度发生空间突变或者在梯度方向上发生突变的像素的集合，它往往是由图像中景物的物理特性发生变化而引起的，是图像的基本低层特征之一。肿瘤在人脑中位置、大小和形状的变化较大，不同种类的肿瘤在MRI图像中呈现的灰度差异很大，在MRI图像中肿瘤和正常脑组织的灰度概率密度分布会有重叠，同时伴有占位效应或渗透效应.灌注对比剂后肿瘤的不同部分可能获得不同程度的增强，肿瘤周围可能出现水肿。因此，需要一种新的特征来描述肿瘤边缘处的灰度变化。

发明内容

本发明的目的在于提供一种图像边缘近邻描述特征算子的提取方法，本方法实现了对一种新的图像特征——边缘近邻描述特征算子的提取方法，该特征算子能够体现目标图像的边缘邻域灰度变化情况，可广泛用于图像配准、分割、检索等领域。

本发明的目的可通过以下的技术措施来实现：

一种图像边缘近邻描述特征算子的提取方法，包括以下步骤：

(1)分割训练集中每幅图像的病灶区域；

(2)对每幅图像的病灶区域的边缘进行采样，得到所有采样点特征形成的矩阵作为原始的高维特征空间；

(3)压缩原始的高维特征空间的维数，得到低维特征空间；

(4)在低维空间进行聚类，获得低维空间的聚类中心；

(5)对一幅新图像重复步骤(1)、(2)、(3)的操作，得到低维特征矩阵，将低维特征矩阵的每一列看作是一个样本，统计所有样本点落在每个聚类中心的个数，并将个数值排列作为一个向量，则所述向量即为所述新图像的边缘近邻描述特征算子。

所述步骤(1)中训练集由已知病灶类型的医学图像组成，已知病灶类型的医学图像的数量的取值范围为100至500幅。

所述步骤(2)中的采样点的选取过程为：对每幅图像的病灶边缘点均匀采样，选取n个采样本点，对每个采样本点分别沿垂直于边缘的方向向内和向外再各取m个像素点，从而每幅图像得到大小为(2m+1)*n个采样点并形成(2m+1)×n的矩阵，则整个训练集中得到大小为(2m+1)×n*i的矩阵，其中i为训练集中图像数量，作为原始的高维特征空间。

所述步骤(3)中将原始的特征向量维数采用主成分分析的方法由高维特征空间降至低维特征空间。

所述步骤(4)中将每幅图像的降维矩阵看作由该降维矩阵的列数个样本点所构成的数据集，利用C均值方法对该矩阵进行聚类。

所述聚类数取值为j，得到j个聚类中心，则统计出一个j维的向量作为边缘近邻描述特征算子，j的范围是16至64。

本发明方法相对于现有技术来说，具有以下的有益效果：本方法主要提出边缘近邻描述特征算子的图像特征，该图像特征能够体现目标图像的边缘邻域灰度变化情况，特别运用于描述肿瘤边缘的灰度变化情况。同时，本方法还提供了该特征算子的提取方法，使得本方法可广泛用于图像配准、分割、检索等领域。

附图说明

图1是本发明的边缘近邻描述特征算子的提取方法的流程图；

图2是一幅图像的病灶边缘采样点示意图。

具体实施方式