[发明专利]基于多分辨率分形特征的神经树突棘图像分类方法

权利要求书

1.一种基于多分辨率分形特征的神经树突棘图像分类方法，其特征在于所述方法包括以下步骤：

（1）对神经树突棘图像进行特征提取获取神经树突棘图像的多分辨率分形特征；

（2）采用线性判别分析（LDA）基于神经树突棘图像的多分辨率分形特征进行分类：通过已分类的神经树突棘图像的多分辨率分形特征进行最大似然估计（Maximum likelihood estimation）得到每一类图像特征的高斯分布参数，包括先验概率、均值和协方差矩阵；当新的神经树突棘图像加入时，通过计算新的神经树突棘图像的图像特征和各个类的高斯分布的马氏距离（Mahalanobis distance）予以分类，新的神经树突棘图像将划分到与其马氏距离最近的类别当中。

2.根据权利要求1所述的神经树突棘图像分类方法，其特征在于所述方法步骤（1）中特征提取的步骤包括：

A)读取神经树突棘图像并将其转换为256色灰度图像作为初始分辨率的灰度图像；

B)使用OTSU算法确定二值化阈值T，把灰度图像转换为二值黑白图像（Binary image）；使用细化算法从灰度图像得到骨架图像（Skeleton image）；

C)使用盒计数算法分别计算两种图像的分形维数：

将M×M区域大小的图像分割成S×S的子块，其中M/2≥s，1,s均为整数，将图像作为三维空间中的曲面，x,y表示平面位置，z轴表示灰度值；xy平面被分割成许多S×S的网格，在每个网格上，是一列S×S×S的盒子；设图像灰度在第(i,j)网格中的最小值和最大值分别落在第k和第l个盒子中，则n_r(i,j)=l-k+1是覆盖第(i,j)网格中的图像所需的盒子数，而覆盖整个图像所需的盒子数N_r为：

N_r=∑n_r(i,j)；

针对不同的r，计算N_r，应用最小二乘法，即可求得分形维数D，所述分形维数D为：

D=lim(log(Nr)log(1/r))---(1);]]>

D)通过插值算法，由当前分辨率缩放系数r从256色灰度图像得到下一分辨率的灰度图像，继续进行步骤B）～D)，依次循环获得所有分辨率下的二值图像和骨架图像的分形维数；

E）连接该幅神经树突棘图像在所有分辨率下的二值图像和骨架图像的分形维数构成图像特征描述。