基于超像素分割的无线胶囊内窥镜出血图像的检测算法研究

摘要

无线胶囊内窥镜(Wireless Capsule Endoscopy，WCE)作为一种新型的胃肠道疾病检测技术，克服了传统的机械式内窥镜检查存在的缺陷，避免给患者带来身体上的痛苦，已经广泛应用在很多医院。但是胶囊内镜在工作期间产生5～6万张海量图像，若单靠医生的人工观察诊断，是一项耗时而又枯燥的工作。因此，研究出一套准确筛选出无线胶囊内镜胃肠道病变图像的计算机辅助检测软件，是当前急需解决的关键问题。
　　为了减少对出血面积小图像的漏检，人们通常采用基于图像块的病变检测算法。但是传统方法都是将图像简单分割为固定数量的矩形小块，这种硬性的划分会损失图像本身的边缘和语义信息，导致检测准确度不高。因此本文提出了基于超像素分割的出血图像检测算法，将图像中具有同质性的连续区域自适应的结合在一起，在保持图像边界的同时，也减少了图像的冗余信息。
　　本文首先从基于图论和基于梯度的方法两个方面分析、总结了常用的七种超像素分割算法，并比较了各种分割算法的分割视觉效果、边界查全率和分割时间，选择出了本文认为最合适胶囊内镜图像的超像素分割算法。
　　其次，考虑到超像素块的尺寸小、形状不规则、纹理信息不丰富，本文主要研究与形状和尺寸无关的统计特征，采用了超像素块的颜色特征。分析了颜色分量特征、颜色矩、红色纯度特征以及本文改进的红色纯度特征四种方法，通过实验对比，本文改进的红色纯度特征的分类结果优于其他三种方法，因而确定，利用本文改进的红色纯度特征训练局部特征分类器，并识别病人数据中的出血图像。
　　最后，针对第一级分类产生的内镜图像漏检，引入了局部和全局特征的级联式病变检测技术。在提取全局特征时，利用了Contourlet变换和LBP纹理特征，并在不同颜色空间下进行了实验对比，选择了HSV颜色空间的Contourlet变换来提取纹理特征。采用训练好的全局特征分类器，对第一级分类的正常图像再次分类，能有效降低病人图像的漏检，提高了灵敏度。

目录

声明

摘要

第1章 绪论

1．1 课题研究背景和意义

1．2 无线胶囊内镜系统简介

1．2．1 无线胶囊内窥镜的发展历史

1．2．2 无线胶囊内窥镜的主要结构和原理

1．2．3 无线胶囊内窥镜存在的问题

1．3 无线胶囊内镜图像处理算法的国内外研究现状

1．3．1 内窥镜图像增强

1．3．2 内窥镜图像的组织识别与视频分段

1．3．3 内窥镜图像的病变检测

1．4 本文主要研究内容与结构安排

第2章 相关理论基础知识简介

2．1 颜色空间简介

2．1．1 RGB颜色空间

2．1．2 HSV颜色空间

2．1．3 HSI颜色空间

2．1．4 CIEL*a*b*颜色空间

2．1．5 YCrCb颜色空间

2．2 支持向量机分类器

2．3 实验数据

2．4 实验环境

2．5 评价指标

2．6 本章小结

第3章 超像素分割算法的分析与选择

3．1 超像素分割介绍

3．2 基于图论的超像素分割算法

3．2．1 图论分割算法

3．2．2 归一化割方法

3．2．3 基于超像素网格方法

3．2．4 基于熵率的方法

3．3 基于梯度的超像素分割方法

3．3．1 Quick-shift方法

3．3．2 Turbopixels方法

3．3．3 SLIC方法

3．4 超像素分割算法的实验结果对比

3．4．1 分割的视觉效果对比

3．4．2 边界查全率对比

3．4．3 运行时间对比

3．5 基于SLIC算法的内镜图像分割

3．6 本章小结

第4章 超像素的特征提取与分类

4．1 颜色特征

4．1．1 颜色分量特征

4．1．2 颜色矩

4．1．3 红色纯度特征

4．1．4 本文改进的红色纯度特征

4．1．5 本文方法和其他特征的实验结果对比

4．2 病人图像数据的分类结果

4．3 胶囊内镜图像出血区域的检测结果

4．4 本章小结

第5章 级联式的胶囊内镜图像分类

5．1 基于纹理的特征提取方法

5．1．1 Contourlet变换

5．1．2 局部二值模式

5．1．3 两种纹理特征方法的试验结果对比

5．2 第二级病人图像数据的分类结果

5．3 本章小结

结论

致谢

参考文献

攻读硕士学位期间发表的论文及科研成果