基于分類器技術的白內障組織圖像去噪方法

李愛麗，田雯邇，涂序彥，鄭雪峰

（北京科技大學 信息工程學院，北京100083）

0 引 言

我國白內障患者人數眾多，目前治療采用的主要手段是超聲乳化抽吸術。在該手術實施過程中存在自動化程度不高，需要過分依賴手術醫(yī)師技術水平等弊端。因此急需要研究根據視頻圖像等信息自動識別白內障組織及其硬度的方法，并對白內障組織進行智能分類。

一般來講，在對白內障組織的圖像進行去噪時主要實現以下兩個目的：

（1）能夠區(qū)分白內障和正常眼組織，以避免手術過程中傷及眼內正常組織；

（2）能夠區(qū)分白內障硬度級別。

兩者的設計與實現過程類似，不同之處在于對于特征的選擇與提取，前者需要選擇能夠區(qū)分正常與病變組織的特征，后者則需要選擇能夠區(qū)分晶狀體硬度的特征。根據圖像的特征，利用設計好的分類器實現對組織圖像的識別。

1 圖像特征提取方法與分類器技術介紹

特征提取的定義請參見文獻 ［1，2］。常用的圖像特征包括紋理特征、顏色特征、形狀特征、空間關系特征。

圖像的重要視覺特征之一就是顏色，相對明確，提取也比較容易，在圖像檢索中應用較早效果也比較好［3］。

紋理是所有事物表面固有的一種特性，紋理從側面反映了不同事物的本身屬性。在圖像處理中，可用利用紋理特征對圖像空間信息進行一定程度的定量描述［4］。基于紋理特征檢索的定義請參見文獻 ［5］。

本文在對圖像特征的提取上，采用了顏色特征和紋理特征，并在此基礎之上提出了一種新的圖像特征提取方法。

分類器是一種機器學習程序，分類器根據所提取的特征完成對目標的識別任務。分類器的設計在圖像去噪問題中是十分關鍵的問題。目前已有多種分類算法應用于實際，如最小距離法、線性分類器、最近鄰法、人工神經網絡和支持向量機等［6］。

結合實際需要，本文主要采取以下兩種算法。

最近鄰法。最近鄰法是一種很直觀的分類方法，其基本思想就是在訓練集中找到一個和待識別目標距離最小的樣本，以它所屬的類別作為識別結果。

最近鄰法是一種很直觀的分類方法，其基本思想就是在訓練集中找到一個和待識別目標距離最小的樣本，以它所屬的類別作為識別結果。該算法簡單可靠，是非參數法的一種代表性算法。

設模式類別有C個ω1，ω2，…，ωc，每個類別具有與之對應的訓練樣本Ni個，i＝1，2，…，C。所有樣本都是最近鄰分類器的代表點，未知樣本X則判斷為與其最近的樣品，所以樣本平均矢量偏差造成的影響能夠在一定程度上得以克服［7］。設ωi類的判別函數為

則判X∈ωj

支持向量機算法 （support vector machine，SVM）。這一算法是Vapnik等人在統(tǒng)計學習理論的VC維理論和結構風險最小化原則基礎上提出的一種新的機器學習方法［8］。根據有限樣本信息，在復雜性和學習能力之間尋求最佳折中，以獲得更好的泛化能力。目前已經成為機器學習的熱點，成功的應用于分類和回歸問題。

2 白內障組織圖像去噪方法

對白內障組織圖像去噪的重點在于：①區(qū)分白內障組織和正常眼組織；②判定白內障組織硬度級別。對于這兩個要點的設計與實現過程類似，不同之處在于對于圖像特征的選擇與提取。

能正確區(qū)分正常組織與白內障組織是對白內障組織圖像進行去噪的核心環(huán)節(jié)。

2.1 區(qū)分白內障組織的特征提取方法

提取白內障組織的顏色特征，本系統(tǒng)采用HSV （hue，saturation，value）顏色模型，即色調、飽和度、亮度顏色模型，因其較符合人眼視覺特征。方法是先對圖像進行RGB到HSV的轉換，然后根據人眼對顏色的感知特性，對HSV顏色空間進行63級非均勻量化

量化結果是一維特征向量，可以壓縮顏色特征。顏色特征可以表示為c＝ ［c0，c1，c2…c62］。

在白內障組織紋理特征處理上，本系統(tǒng)采用灰度共生矩陣方法。紋理是由某些灰度反復在空間位置上出現形成的，因此在圖像空間中間隔一定距離的兩象素間會存在一定的灰度關系，即圖像中灰度的空間相關性。灰度共生矩陣方法所需的4個特征量分別為：反差 （CON）、能量（ASM）、熵 （ENT）、相關 （COR）。分別構造多個角度方向的共生矩陣并計算上述4個特征量，最后用其均值和標準差作為紋理特征，可表示為t＝ ［t0，t1，t2…t7］。

根據白內障核塊和眼正常組織顏色特征的差異，本文提出了一種用于白內障核塊和眼正常組織的新的特征表達方法。

這種特征表達方法分為以下四個步驟：子圖像劃分；特征提取；生成特征矩陣；特征矩陣向量化。

子圖像劃分。如圖1所示，對于一幅待分類的圖像，沿水平方向和垂直方向對其進行劃分。經過劃分，該圖像被分成M×N個大小相等的子圖像。

圖1 圖像劃分

特征提取。經過上步子圖像劃分，一幅圖像I被劃分成一個新的集合，該集合可以表示為：I＝ ｛S11，S12，…，SMN｝，其中，元素Sij（i＝1，2，…，M；j＝1，2，…，N）就是圖像I經子圖形劃分中所描述的方法劃分得到的每一個子圖像塊。

對于每一個子圖像塊Sij，我們提出了一種新的方法用于表達其顏色特征。假設圖像塊Sij高m像素，寬n像素，我們用該圖像塊在R，G，B顏色通道上的顏色值之和的平均值作為Sij的顏色特征。求圖像塊Sij的R，G，B顏色通道上的顏色值和的平均值的過程可以表示為公式

其中，rij、gij、bij是Sij的每個像素點分別在R，G，B顏色通道上的顏色值。這樣，字圖像塊Sij就可以表示成一個三元組

生成特征矩陣。經過子圖像劃分和特征提取，一幅圖像I可以表示成如下矩陣

其中，每一個元素tij＝ （i＝1，2，…，M；j＝1，2，…，N）都是一個三元組。稱公式中的矩陣MI為圖像I的顏色特征矩陣。

特征矩陣向量化。根據特征矩陣MI，圖像I可以表示成如下的特征向量：VI＝ （t1，t2，…，tM），其中，元素tI（i＝1，2，…，M）對應特征矩陣的第i行。

晶狀體硬度級別的識別，直接決定了手術中所需能量的大小。只有準確地識別晶狀體的硬度，才能控制能量的釋放，使得探頭所發(fā)出的能量恰好能夠實現對晶狀體核塊的乳化和抽吸，而不會有多余的能量傷及正常組織，或者能量不足導致乳化不充分。

2.2 判斷白內障組織硬度的特征提取方法

在顏色特征的描述方法中，顏色直方圖應用最廣。顏色直方圖反映的是圖像中顏色的組成分布，即出現了哪些顏色以及各種顏色出現的概率。其函數表達式如下

式中：k——此圖像的特征值，L——特征可取值的數量，nk——此圖像中具有k特征值的像素的數量，N——此圖像的像素總數。

顏色直方圖表示待分類白內障組織的顏色特征。考慮RGB顏色空間內待分類的白內障組織。該特征提取過程分別在圖像的R、G、B這3個顏色通道進行，最后得到一個三維的顏色直方圖，即圖像的R、G、B顏色通道的直方圖。顏色直方圖如圖2（左側圖片原為彩色）所示。

系統(tǒng)根據圖像的特征，利用設計好的分類器實現對組織圖像的識別。

2.3 分類器算法設計

k近鄰準則是最近鄰準則的一個推廣。最為一種非參數的分類準則，k近鄰準則是一種重要的數據分類工具。k近鄰準則就是把一個待分類模式分為與它最接近的k個近鄰中出現最多的那個類別。對于白內障識別，就是把一幅待分類的白內障圖像歸為和它最接近的k個圖像中出現類別最多的那個類別。k近鄰對圖像的分類流程如圖3所示。

圖2 圖像的直方圖

圖3 K近鄰對圖像的分類流程

支持向量機算法。SVM對圖像的分類流程如圖4所示。

3 實驗結果

3.1 區(qū)分白內障組織的實驗結果

實驗1實驗圖像來自于某醫(yī)院提供的手術視頻截圖，對眼內組織的不同部位的圖像進行截取，經過規(guī)一化后每幅圖像尺寸為50 （pix）×50（pix）。

圖4 SVM對圖像的分類流程

實驗訓練庫大小為：100（正常組織）＋100（白內障組織），測試庫大小：30（正常組織）＋30（白內障組織）。

特征采用顏色特征和紋理特征，分類器采用最近鄰分類器，實驗結果如表1所示。

表1 實驗結果

從表1可以看出，當采用顏色單特征時白內障和正常組織的識別率達到了0.97和0.93，但采用紋理單特征時其識別率僅為0.6和0.5。當顏色紋理權值比值達到9：1時，識別效果最好，分別達到了1和0.97。

實驗2圖像數據獲取方式與預處理過程與實驗1相同，只是獲取時間不同，實驗平臺為 Matlab 7.0.4、Windows XP（sp3）。

實驗訓練庫大小為：94（正常組織）＋555（白內障組織），測試庫大小：91（正常組織）＋556（白內障組織）。

特征提取方法：顏色特征、新特征提取方法；分類器方法：k近鄰分類器，k取值5；SVM分類器。

采用上述方法與系統(tǒng)對白內障和正常組織的識別率如表2所示。

表2 白內障和正常組織的識別率 單位：%

基于以上實驗結果，SVM分類器對白內障與正常組織的分類效果高于最近鄰分類器，但SVM分類器運算復雜，需要大量的訓練樣本和測試樣本。

3.2 判斷白內障組織硬度的實驗結果

依據前述分類標準，建立了訓練庫和測試庫。所有圖像均取自北京某醫(yī)院眼科中心的實時白內障超聲乳化術錄像。

圖像庫分成兩個：訓練庫和測試庫。訓練庫共包含649幅圖片，測試庫共包含647幅圖片，圖片如圖5所示 （圖片原為彩色）。表3給出了訓練庫和測試庫的具體構成情況。

圖5 實驗圖片

表3 實驗圖片數目列表 單位：幅

實驗平臺：Matlab 7.0.4、Windows XP （sp3）；分類器：k近鄰分類器，k取值5；SVM分類器特征。提取方法：顏色特征提取方法、新特征提取方法。

對白內障硬度的識別率：采用上述方法與系統(tǒng)對白內障硬度的識別率如表4所示。

表4 白內障硬度級別識別率 單位：%

基于以上實驗結果，SVM分類器對白內障組織圖像的識別率高于最近鄰分類器，但SVM分類器運算復雜，需要大量的訓練樣本和測試樣本。

4 方法的意義和主要作用

本文基于分類器技術的白內障組織圖像去噪方法提出了一種新的特征表達和提取方法；利用近鄰規(guī)則和支持向量機方法實現了對白內障的高精度識別；提出了改進決策的模板方法，并融合了多分類器識別結果。

5 結束語

本文在傳統(tǒng)的特征提取方法上提出了一種新的圖像特征提取方法，并基于近鄰分類器和SVM分類器技術對白內障手術圖像信息自動識別，甄別白內障組織及硬度，試驗發(fā)現SVM分類器對白內障組織、正常組織和白內障硬度的識別分別達到95.68%、99.5%和96.29%。本技術成果在白內障手術智能分析領域屬國際領先，所屬課題——高效智能化微創(chuàng)白內障治療系統(tǒng)研制［10］已通過國家科技部驗收。

［1］SHI Yuying.Modern cataract treatment ［M］.Beijing：People＇s Medical Publishing House，2006 （in Chinese）. ［施玉英.現代白內障治療 ［M］.北京：人民衛(wèi)生出版社，2006.］

［2］QI Baoying.Enhancing line detection efficiency by using hough transform ［J］.Computer Systems ＆ Applications，2012，21（6）：228－231 （in Chinese）. ［祁寶英.運用 Hough變換提高直線 檢 測 效 率 ［J］.計 算 機 系 統(tǒng) 應 用，2012，21 （6）：228－231.］

［3］AN Lei.Image－based three－dimensional realistic model reconstruction research ［D］.Beijing：Beijing Jiaotong University，2011（in Chinese）.［安磊.基于圖像的三維真實感模型重建研究 ［D］.北京：北京交通大學，2011.］

［4］ZENG Taisheng.Image retrieval research based on color，texture and related feedback ［D］.Quanzhou：Huaqiao University，2006（in Chinese）.［曾臺盛.基于顏色、紋理特征及相關反饋的圖像檢索技術研究 ［D］.泉州：華僑大學，2006.］

［5］WANG Hairong.The prospect of content－based image retrieval technology research and applications ［D］.Xian：Northwestern University，2009 （in Chinese）.［王海榮.基于內容的圖像檢索技術研究及應用瞻望 ［D］.西安：西北大學，2009.］

［6］ZENG Qisen.Content－based image retrieval technology research［D］.Nanjing：Nanjing University of Science and Technology，2007（in Chinese）.［曾奇森.基于內容的圖像檢索相關技術研究 ［D］.南京：南京理工大學，2007.］

［7］WANG Weidong.Feature extraction and classification algorithm research of high－dimensional small sample data ［D］.Nanjing：Nanjing University of Science and Technology，2006 （in Chinese）.［王衛(wèi)東.高維小樣本數據的特征提取及分類器算法研究 ［D］.南京：南京理工大學，2006.］

［8］WANG Weidong.Efficient nearest neighbor classification algorithm based on the preclassification ［J］.Computer Science，2007，34 （2）：198－200 （in Chinese）.［王衛(wèi)東.一種基于預分類的高效最近鄰分類器算法 ［J］.計算機科學，2007，34（2）：198－200.］

［9］FU yan，NING ning.Image denoising method based on multifeature and weighted support vector machines ［J］.Computer Applications，2011，31 （8）：2217－2220 （in Chinese）.［付燕，寧寧.基于多特征結合與加權支持向量機的圖像去噪方法［J］.計算機應用，2011，31 （8）：2217－2220.］

［10］SONG Yan.Image retrieval integrated color and texture ［J］.Computer Engineering and Design，2007，28 （17）：4180－4182（in Chinese）.［宋艷.綜合顏色與紋理的圖像檢索 ［J］.計算機工程與設計，2007，28 （17）：4180－4182.］

［11］JIANG Lanchi.Content－based image retrieval key technology research ［D］.Hangzhou：Hangzhou Dianzi University，2009（in Chinese）.［姜蘭池.基于內容的圖像檢索關鍵技術研究［D］.杭州：杭州電子科技大學，2009.］