基于图像去噪的胃部病灶检测及分类算法研究

摘要：由于胃部病灶种类较多，利用计算机辅助诊断提取特征的方法，大多针对正常与否分类，而对于多种胃部疾病分类问题的精确度较低。文中采用先分割病灶区域再分类的方法，首先对图像进行预处理，再对内窥镜图像分割出病灶区域，通过基于提取纹理与颜色特征相结合的方法进行特征优化，选取神经网络对图像进行分类，提高分类准确度。

关键词：内窥镜图像 胃部病灶 图像去噪 特征优化

中图分类号：TP311.52 文献标识码：A 文章编号：1007-9416（2016）10-0132-02

Abstract：Gastric cancer is one of the most common malignant tumor in the world scope. Due to gastric lesions sort is more， but the research methods of extracting characteristics of gastric cancer， mostly for classification of normal or not， and for the accuracy of the various stomach disease classification problem is low. In this paper， we adopt the method of segmentation lesion area first， then classification， first of all， the image preprocessing， and then the focal zone of endoscope image segmentation， based on LBP extraction method combined with color features， texture features optimization， selection of neural network to classify the image， improve the classification accuracy.

Key Words：Endoscopic images； Gastric lesions； Image denoising； Characteristics of the optimization

1 引言

文中采用计算机辅助诊断方法，通过对胃镜图像的数学分析，是目前早期胃癌诊断研究的一个方向[1]。计算机辅助诊断主要是用于图像识别方面，即首先提取胃部内窥镜图像的相关特征，如颜色、纹理、形状等，然后根据特征进行分类，最终标记出相应的病灶区域，辅助医生诊断治疗。目前采用计算机算法进行识别中现有的特征描述方法如颜色特征描述较少，纹理描述方法复杂，计算量大，一般研究方法所选取的特征提取方法较为单一，导致分类效果粗糙，准确率较低。为了提高效率，如何对胃部病灶进行自动化检测及快速准确的分类疾病类型是一项有意义且艰难的工作[2][3]。

2 检测及分类方法

2.1 图像预处理实现图像分割

图像预处理的主要目的是消除图像中无关信息，恢复有用信息，增强有关信息的可检测性和最大限度地简化数据。由于图像光源照射不均匀，很容易影响图像区域亮度不同。首先需对图像进行去噪，并对图像使用增方法，改善图像的视觉效果。通过转换图像颜色空间为Lab空间，通过明亮度L，设置阈值分割图像，预处理过的胃溃疡图片如图1所示。

图像经过去噪处理就可以对病灶图像进行分割了。由于胃镜图像的颜色特征较为明显，通过聚类方法可以基于色彩空间对彩色图像分割，然后对每个分割出来的区域进行特征的提取。常用的彩色图像分割聚类方法有，K均值、模糊C均值和分层聚类方法[4]。运用K均值聚类图像分割技术，提取出病灶区域。K均值聚类算法原理简单，实现灵活、算法效率高。病灶分割后的胃溃疡图片如图2所示。

2.2 运用多种算法提取特征，选择最优算法

图像常用的特征有：颜色特征、纹理特征。颜色特征常用的有，选用颜色直方图，颜色旋转不变性。颜色直方图特征描述的是不同色彩在整幅图像中所占的比例。图像纹理描述图像或其中小块区域的空间颜色分布和光强分布。纹理特征常用的有局部二值模式LBP，灰度共生矩阵，小波变换提取特征等。LBP是一种局部纹理特征的算子；它具有旋转不变性和灰度不变性等优点；灰度共生矩阵以像素对的方向和距离为变化量来建立共生矩阵，再从此矩阵中提取可以表征图像内容的统计量作为纹理特征；小波变换的纹理特征方法可消除冗余信息，但检索速度较慢[5]。

2.3 T-检验方法实现特征优化

特征选择能剔除不相关或冗余的特征，达到减少特征个数，提高模型精确度，减少运行时间，易于理解数据产生的过程。特征选择过程如图3所示。

首先从特征全集中产生出一个特征子集，然后用评价函数对该特征子集进行评价，评价的结果与停止准则进行比较，若评价结果比停止准则好就停止，否则就继续产生下一组特征子集，继续进行特征选择。选出来的特征子集一般还要验证其有效性。通过在不同的彩色空间中选择出每个特征的优特征量，根据T-检验方法对特征优化，设计实验，选取对分类效果显著影响的特征。以达到最优分类效果。

2.4 神经网络分类算法

不同的分类算法有不同的特定，在不同的数据集上表现的效果也不同，需要根据特定的任务进行算法的选择[6]。选取不同分类器将图像病灶区域分类，确定病灶种类，通过简单的实验来验证不同的分类算法的效果。神经网络是分类算法中最常用的方法之一，人工神经网络的最大优势是他们能够被用作一个任意函数逼近的机制，从观测到的数据“学习”。使用神经网络对提取的特征分类，选用十折交叉验证方法，计算分类问题的准确度。

分类算法的评价标准有预测的准确率，这涉及到模型正确地预测新的或先前没见过的数据的类标号能力；速度，涉及到产生和使用模型的计算花费；强壮性，涉及给定噪声数据，模型正确预测的能力；可伸缩性，处理大数据集的能力；可解释性，分类器的预测标准的可理解性。

3 结语

文中采用先分割病灶区域再分类的方法，首先对图像进行预处理，再对内窥镜图像分割出病灶区域，对病灶区域提取特征，从而提高了多种胃部疾病分类诊断的可能性。通过基于局部二值模式等方法提取纹理特征与颜色特征相结合的特征提取方法，进行特征优化，选取神经网络对图像进行分类。结合多种特征提取方法，从而突破特征提取方法单一的问题，提高分类准确度。

参考文献

[1]初里楠，李竹.2003―2011年北京市西城区居民恶性肿瘤死亡情况及减寿分析[J].中国卫生统计.2013（04）.

[2]D.Lowe.Object recognition from local scale-invariant features. In Proc.ICCV，pages1150-1157，1999.

[3]吴轶伦.基于Mean Shift 的胃镜图像分析方法研究[D].上海交通大学，2010.

[4]徐国公.基于胃镜图像检测上消化道早期癌症的方法研究[D].电子科技大学，2013.

[5]徐红梅.基于胃镜图像的胃脘痛特征数据分析[D].长春工业大学，2016.

[6]关沫，邢永吉.基于胃镜图像的病灶区域检测方法研究[J].微型机与应用，2014，05：49-52.

收稿日期：2016-08-20

基金项目：陕西省教育厅自然科学资助项目（16JK2147）；西安思源学院重大科研项目（XASY-B1601）

作者简介：何颖（1983―），女，汉族，陕西渭南人，工学硕士学位，讲师，研究方向：信号与信息处理、图像图形处理。