[发明专利]一种LTP与HOG特征融合的乳腺肿瘤检测系统与方法

说明书

本发明公开了一种LTP与HOG特征融合的乳腺肿瘤检测系统及方法，该检测方法包括：获取采集的乳腺肿瘤图像，建立图像训练样本库；对样本图像进行自适应二值化处理以及二维离散Haar小波变换，得到4个样本子图像；从样本子图像中的低频部分子图像提取HOG特征；从水平方向部分子图、垂直方向部分子图像以及对角线方向部分子图像中提取LTP特征；将提取到的特征进行归一化处理，形成HOG‑LTP特征；建立SVM模型；将样本图像作为输入量，HOG‑LTP特征作为期望输出量对SVM模型进行样本训练；计算得到待检测的乳腺肿瘤图像的HOG‑LTP特征；将计算得到的HOG‑LTP特征输入训练后的SVM模型中，检测输出的乳腺肿瘤图像。该发明能在保证检测精度的同时提高检测效率。

技术领域

本发明涉及计算机视觉和医学图像处理技术领域，特别是一种LTP与HOG特征融合的乳腺肿瘤检测系统与方法。

背景技术

乳腺肿瘤疾病是女性最常见的恶性肿瘤之一，因此实现对乳腺肿瘤的检测及诊断是当前亟待解决的问题之一。

目前，对乳腺肿瘤良恶性的鉴别主要是依赖于超声图像的处理，需要提取乳腺肿瘤超声图像中最典型的特征，用于计算机辅助诊断系统进行检测。现在的临床应用中，诊断乳腺肿瘤良性或恶性的主要标准是Stavros标准，根据该标准，乳腺超声图像肿瘤特征分为两类，一类是用常规的超声成像诊断仪测量得到5个特征：乳腺超声图像纹理、肿瘤几何形状、边缘锋锐程度、肿瘤图像亮度特征和声波回声特性；另一类是使用新的超声成像技术——超声弹性成像技术检测到的特征：肿瘤形状和钙化特征。国内外学者把乳腺超声图像纹理特性、肿瘤几何形状和超声波回声特性作为乳腺癌良性和恶性的诊断最主要的依据。

为了提高检索效率，使查询过程在一定范围内进行，同时减少访问图像数据库的次数，在进行相似性匹配之前，进行多特征融合操作。当前常用的多特征融合方法是对特征向量进行归一化处理，包括内部特征归一化和外部特征归一化。

但是，在进行特征融合的过程中，不仅要对不同特征向量进行归一化，而且还要对每个特征向量的各个分量进行归一化，精度虽然高，但计算繁琐，参数设定复杂，检测效率较低。

发明内容

本发明的目的是提供了一种LTP与HOG特征融合的乳腺肿瘤检测系统与方法，能在保证检测精度的同时提高检测效率。

为实现上述目的，本发明提供了如下方案：

一种LTP与HOG特征融合的乳腺肿瘤检测方法，包括：

获取采集的乳腺肿瘤图像，建立乳腺肿瘤图像训练样本库；

对样本图像进行自适应二值化处理以及二维离散Haar小波变换，得到4个样本子图像；

从所述4个样本子图像中的低频部分子图像提取HOG特征，所述HOG特征表示方向梯度直方图特征；从水平方向部分子图、垂直方向部分子图像以及对角线方向部分子图像中提取LTP特征，所述LTP特征表示局部三值模式特征，LTP特征在阈值计算过程中引入局部区域像素均值、标准差和局部纹理反差，突出局部纹理特征；在尺度方面是将原始LBP的圆形邻域结构扩展为一个椭圆的局部结构，弥补了圆形邻域旋转不变而丢失的信息；

将提取到的HOG特征与LTP特征进行归一化处理，形成HOG-LTP特征；

建立SVM模型；

将所述样本图像作为输入量，所述HOG-LTP特征作为期望输出量对SVM模型进行样本训练；

对待检测的乳腺肿瘤图像进行自适应二值化处理以及二维离散Haar小波变换，得到4个新的样本子图像；

计算得到待检测的乳腺肿瘤图像的HOG-LTP特征；

将计算得到的HOG-LTP特征向量输入训练后的SVM模型中，检测输出的乳腺肿瘤图像。