[發明專利]一種基于字典學習的胃鏡器官分類方法

有效

• 申請號: 201811515946.6
• 申請日: 2018-12-12
• 公開（公告）號: CN109376802B
• 公開（公告）日: 2021-08-03
• 發明（設計）人: 李勝;程鋮;何熊熊;常麗萍;姜倩茹;李唱
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T5/40;G06T7/194;G06T7/40;G06T7/90
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

1.一種基于字典學習的胃鏡器官分類方法，其特征在于：所述方法包括如下步驟：

步驟1：獲取內窺鏡拍攝的圖像，由五類不同的胃鏡部位組成；

步驟2：對獲取的胃鏡圖像進行預處理，過程如下：

2.1提取出整張胃鏡圖的組織區，去除背景區；

2.2去除因內鏡攝像頭拍攝造成的亮斑和暗區，避免人工造成的紋理或顏色特征；

步驟3：提取圖像的顏色特征和紋理特征，過程如下：

3.1在色相-飽和度-明度顏色空間下，采用顏色直方圖算法提取圖像的顏色特征，分別對色相、飽和度、明度三個通道的值進行量化，形成顏色直方圖作為圖像的顏色特征；

3.2在色相-飽和度-明度顏色空間的色相通道下，采用均勻局部二值模式算法提取圖像的紋理特征；

步驟4：圖像特征融合，如下：

歸一化步驟3提取的兩類特征并融合得到新的特征，同時保證最后的特征矩陣中每列表示每張圖像的特征；

步驟5：分配訓練集和測試集，如下：

將每類圖像的特征集，分為訓練集和測試集，從每類圖像的所有特征集中，隨機抽取一定的數量作為測試集，剩下的作為訓練集，以保證訓練的遍歷性，避免過擬合情況發生；最后得到訓練集和測試集T為五類訓練集矩陣組成的元胞，Y為五類測試集合并的矩陣；

步驟6：訓練字典：

對五類訓練集分別進行K次奇異值分解字典學習得到五個字典，步驟如下：

6.1輸入用于訓練的特征集T；

6.2對于每類特征集，通過K次奇異值分解字典學習算法訓練字典：

其中，T_j為元胞T中的第j類訓練集，D_j為第j類訓練集對應的字典，X_j為第j類訓練集在第j類字典下的稀疏表示系數，x_i為稀疏表示稀疏矩陣的每一列元素，k為稀疏度，N為字典的原子數，j為器官類別數；

在使用K次奇異值分解算法的過程中，首先要賦予字典D_j一個初始字典，使用過完備的離散余弦變換字典，然后用正交匹配追蹤算法求解在每類字典下的稀疏表示：

其中，T_j為元胞T中的第j類訓練集，D_j為第j類訓練集對應的字典，X_j為第j類訓練集在第j類字典下的稀疏表示系數，x_i為稀疏表示稀疏矩陣的每一列元素，k為稀疏度，j為器官類別數；

6.3進行迭代更新，更新每一類的字典D_j，如果迭代次數小于設定的迭代閾值，那么返回6.2，否則停止迭代，并得到最終訓練所得的第j類字典D_j；

6.4重復6.2和步驟6.3，直到所有類別的字典全部訓練完成，最終得到字典D_j組成的元胞

步驟7：對測試集進行稀疏表示及重構，步驟如下：

7.1輸入測試集矩陣Y和字典的元胞D；

7.2測試集Y分別在每類字典下進行稀疏表示：

其中，D_j為第j類訓練集對應的字典，Y為測試集矩陣，S_j為測試集在每類字典下的稀疏表示，j為器官類別數；

解出得到五個稀疏系數矩陣組成的元胞

7.3估計的測試數據，由字典D_j與其對應的稀疏系數相乘，得到:

其中，為重構的五類測試數據組成的元胞，為第j類字典下重構的測試數據，為測試集中第j類測試數據在第j類重構數據中的值，j為字典類別數；

步驟8：構建均方誤差分類器：同一類測試數據，對應五類不同的訓練字典恢復的重構數據，計算各自的均方誤差；在同類之間與異類之間會具有明顯差異的均方誤差，根據這種差異可以進行分類，將不同類別的器官區分出來。