[发明专利]一种基于字典学习的胃镜器官分类方法

摘要

一种基于字典学习的胃镜器官分类方法，首先将原始图像进行预处理，进而从图像数据中提取颜色和纹理特征并融合，构建了测试集和多类训练集，建立K次奇异值分解字典学习模型，并将多类训练集矩阵输入模型进行求解，迭代更新，分别训练出多类字典；再将测试集分别在多类字典下通过正交匹配追踪算法得到稀疏系数，进而算出在每类字典下重构出的测试集；最后，构建均方误差分类器，通过比较重构出的测试集与原测试集的均方误差，进行多类器官的分类。本发明可以实现肠胃内窥镜不同器官的分类；能有效进行内窥镜器官分类。

主权项

1.一种基于字典学习的胃镜器官分类方法，其特征在于：所述方法包括如下步骤：步骤1：获取内窥镜拍摄的图像，由五类不同的胃镜部位组成；步骤2：对获取的胃镜图像进行预处理，过程如下：2.1提取出整张胃镜图的组织区，去除背景区；2.2去除因内镜摄像头拍摄造成的亮斑和暗区，避免人工造成的纹理或颜色特征；步骤3：提取图像的颜色特征和纹理特征，过程如下：3.1在色相‑饱和度‑明度颜色空间下，采用颜色直方图算法提取图像的颜色特征，分别对色相、饱和度、明度三个通道的值进行量化，形成颜色直方图作为图像的颜色特征；3.2在色相‑饱和度‑明度颜色空间的色相通道下，采用均匀局部二值模式算法提取图像的纹理特征；步骤4：图像特征融合，如下：归一化步骤3提取的两类特征并融合得到新的特征，同时保证最后的特征矩阵中每列表示每张图像的特征；步骤5：分配训练集和测试集，如下：将每类图像的特征集，分为训练集和测试集，从每类图像的所有特征集中，随机抽取一定的数量作为测试集，剩下的作为训练集，以保证训练的遍历性，避免过拟合情况发生；最后得到训练集和测试集T为五类训练集矩阵组成的元胞，Y为五类测试集合并的矩阵；步骤6：训练字典：对五类训练集分别进行K次奇异值分解字典学习得到五个字典，步骤如下：6.1输入用于训练的特征集T；6.2对于每类特征集，通过K次奇异值分解字典学习算法训练字典：其中，Tj为元胞T中的第j类训练集，Dj为第j类训练集对应的字典，Xj为第j类训练集在第j类字典下的稀疏表示系数，xi为稀疏表示稀疏矩阵的每一列元素，K为稀疏度，N为字典的原子数，j为器官类别数；在使用K次奇异值分解算法的过程中，首先要赋予字典Dj一个初始字典，使用过完备的离散余弦变换字典，然后用正交匹配追踪算法求解在每类字典下的稀疏表示：其中，Tj为元胞T中的第j类训练集，Dj为第j类训练集对应的字典，Xj为第j类训练集在第j类字典下的稀疏表示系数，xi为稀疏表示稀疏矩阵的每一列元素，K为稀疏度，j为器官类别数；6.3进行迭代更新，更新每一类的字典Dj，如果迭代次数小于设定的迭代阈值，那么返回6.2，否则停止迭代，并得到最终训练所得的第j类字典Dj；6.4重复6.2和步骤6.3，直到所有类别的字典全部训练完成，最终得到字典D_j组成的元胞步骤7：对测试集进行稀疏表示及重构，步骤如下：7.1输入测试集矩阵Y和字典的元胞D；7.2测试集Y分别在每类字典下进行稀疏表示：其中，Dj为第j类图像训练的字典矩阵，Y为测试集矩阵，Sj为测试集在每类字典下的稀疏表示，j为器官类别数；解出得到五个稀疏系数矩阵组成的元胞7.3估计的测试数据，由字典Dj与其对应的稀疏系数相乘，得到:其中，为在五类重构的测试数据组成的元胞，为第j类字典下重构的测试数据，为测试集中第j类测试数据在第j类重构数据中的值，j为字典类别数；步骤8：构建均方误差分类器：同一类测试数据，对应五类不同的训练字典恢复的重构数据，计算各自的均方误差；在同类之间与异类之间会具有明显差异的均方误差，根据这种差异可以进行分类，将不同类别的器官区分出来。