[发明专利]一种基于尺度不变特征的三维图像分类方法

说明书

技术领域

本发明属于图像处理领域，具体涉及一种基于尺度不变特征的三维图像的统计分类方法。

背景技术

三维图像能够清晰地表达物体的内部组织结构及其空间纹理，在医学影像分析、地质学分析等领域有着广泛的应用。利用三维图像进行统计分类，计算无标记样本图像具有某种属性的可能性大小，或者自动判别无标记样本图像的类别属性，这是三维图像计算机辅助分析的一个重要应用。

物体的三维图像模式具有极大的可变性，这给此类图像的分类带来了巨大挑战。传统的分类方法主要有感兴趣区域(ROI)方式和体素(voxel)方式两种分类方法。感兴趣区域方式的分类方法依据目标结构的先验知识，将样本和目标分割成多个目标区域，并据此对目标进行分类；体素方式的分类方法采用复杂的非线性配准，以最大限度地实现个体间的精确对应，然后以图像的每一个空间单位(体素)作为分类依据。这两种方法都假设目标与样本的内部组织结构是一一对应的。前者认为先验的图像区域存在于每一个目标当中，并且能够准确分割；后者假定非线性配准后的体素是一一对应的。然而，这样的假设在很多情况下并不合理。在噪声和某些结构模式变异的情况下，三维图像的感兴趣区域边界变得模糊，从而使得区域分割不准确，区域间的对应出现残差，进而导致分类性能的下降；非线性配准方法并不能理解某些复杂的三维图像模式，使得这类模式包含的体素在各样本之间的对应关系模棱两可或者是不存在，同样降低了分类性能。总的来说，在三维图像模式比较复杂或者是模式变异、无先验知识的情况下，一一对应假设会丢失部分有用的类相关信息，同时引入噪声，因而不能达到最佳的分类效果。

基于尺度不变特征的三维图像分类是一种全新的分类方法。该方法首先提取三维图像的尺度不变特征，用以表征不同尺度的图像模式；然后对这些部分存在的特征建立统计模型，定量分析部分存在于各样本中的特征似然率；获取类间差异明显的模型特征，最后使用模型特征似然率近似目标特征似然率进行分类。这种方法与传统方法形成互补，尤其对于图像模式十分复杂并且无先验知识的情况下十分有效。然而，这种分类方法还存在不足。首先，该方法使用模型特征条件概率密度的估计值近似目标特征的条件概率密度的估计值，存在一定的误差；其次，该方法通过计数方式计算特征似然率，没有利用特征之间的相似程度信息，容易受到噪声的干扰。

发明内容

为了克服已有技术的不足，本发明的目的在于设计一种分类准确率高、泛化性能强的三维图像分类方法。

为实现上述目的，本发明提出一种基于尺度不变特征的三维图像分类方法，包括以下步骤：

步骤Sa：对经过三维图像预处理后的标记样本图像和无标记样本图像提取尺度不变特征，分别得到样本特征和目标特征；

步骤Sb：搜索目标特征的正出现，生成正出现集合，所述正出现集合是满足几何相似和外形相似的样本特征的集合；

步骤Sc：使用核密度估计的算法，计算目标特征的条件概率密度的估计值；

步骤Sd：依据各目标特征的概率密度估计值，使用贝叶斯分类器计算得到无标记样本图像的似然率，并依据似然率进行分类。

本发明针对三维图像分类问题，通过提取尺度不变特征、搜索正特征出现、使用核密度估计的方法计算尺度不变特征的条件概率密度估计值，提高了概率密度估计的准确性和鲁棒性。在MRI影像据集上的实验结果表明，本发明的基于尺度不变特征的三维图像分类方法，有效地提高了三维图像的分类性能。

附图说明

图1是本发明所述三维图像的分类框图；

图2是测试数据子集1)上两种方法分类ROC曲线对比；

图3是测试数据子集2)上两种方法分类ROC曲线对比；

图4是测试数据子集3)上两种方法分类ROC曲线对比。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

参照图1，本发明所述的一种三维图像分类方法，依据标记样本图像来确定无标记样本图像的类别，具体实施步骤如下：

步骤Sa，对经过三维图像预处理后的标记样本图像和无标记样本图像提取尺度不变特征，分别得到样本特征和目标特征；

1.三维图像预处理

由于个体自身差异或者成像条件的差异，三维图像间存在尺度和位置上的差异，而这种总体差异与所关注的组别属性无关；三维图像预处理是在保留三维图像细节的同时，通过将各三维图像与模板进行仿射配准变换方式的预处理，消除各图像间的与所关注的组别属性无关的总体差异，其中模板可以使用此类三维图像的标准图像，也可以使用标记样本图像中较为平均的一幅。