肋骨皮質(zhì)紋理特征提取分類(lèi)算法設(shè)計(jì)

鄔志強(qiáng)，李大輝

（齊齊哈爾大學(xué) 1. 理學(xué)院，2. 計(jì)算機(jī)與控制工程學(xué)院，黑龍江 齊齊哈爾 161006）

肋骨皮質(zhì)紋理特征提取分類(lèi)算法設(shè)計(jì)

鄔志強(qiáng)1，李大輝2

（齊齊哈爾大學(xué) 1. 理學(xué)院，2. 計(jì)算機(jī)與控制工程學(xué)院，黑龍江 齊齊哈爾 161006）

肋骨的皮質(zhì)紋理特征是判斷骨折的重要依據(jù)．提出了肋骨皮質(zhì)紋理特征提取與分類(lèi)算法，利用Canny算子圖像進(jìn)行預(yù)處理，利用Gabor小波實(shí)現(xiàn)紋理特征提取，利用KPCA完成降維和分類(lèi)．實(shí)驗(yàn)結(jié)果表明，該算法得到的肋骨紋理特征提取與分類(lèi)，提高了肋骨骨折的診斷率．

紋理特征分類(lèi)；醫(yī)學(xué)圖像；Canny算子；Gabor小波；KPCA

臨床實(shí)踐中發(fā)現(xiàn)，在胸部損傷中肋骨骨折發(fā)生率約為40%～60%.因此，對(duì)骨折程度與發(fā)生骨折的部位進(jìn)行正確定位與分析在醫(yī)生對(duì)患者的診斷與治療中具有重要意義.對(duì)于非常明顯的，帶有明確的折斷部位，即使憑借觸摸就能確定的骨折，對(duì)于有經(jīng)驗(yàn)的醫(yī)生，給出正確的判斷都不是問(wèn)題.但在現(xiàn)實(shí)中，往往有一些從表象上看是不完全骨折，復(fù)查又發(fā)現(xiàn)是完全骨折的漏診現(xiàn)象，對(duì)此，若不能給出正確判斷，就會(huì)錯(cuò)過(guò)最佳治療時(shí)間，造成延誤，給患者帶來(lái)危害.同時(shí)還易引起醫(yī)療糾紛［1］.

為了能對(duì)這類(lèi)骨折做出準(zhǔn)確判斷，就要對(duì)可能受損肋骨的醫(yī)學(xué)圖像進(jìn)行分析，而紋理特征是圖像分析的重要線索.紋理特征作為最顯著的視覺(jué)特征之一，它不依賴顏色或亮度反映圖像中同質(zhì)現(xiàn)象的視覺(jué)特征.紋理特征又包含了物體表面結(jié)構(gòu)組織排列的重要信息，以及與周?chē)h(huán)境的聯(lián)系，所以研究肋骨圖像的紋理特征對(duì)做出是否骨折的判斷至關(guān)重要.由于當(dāng)前肋骨醫(yī)學(xué)圖像處理領(lǐng)域這方面還沒(méi)有現(xiàn)成的算法，因此，本文目的在于利用成熟的圖像處理技術(shù)，針對(duì)肋骨圖像的醫(yī)學(xué)特性，提出了一種包括預(yù)處理、紋理特征提取及分類(lèi)的算法，以計(jì)算機(jī)顯示，該算法提高了肋骨紋理特征提取分類(lèi)的準(zhǔn)確率.

1 肋骨紋理的預(yù)處理

肋骨X平片一般均含有噪聲，噪聲的存在對(duì)邊緣定位會(huì)帶來(lái)很大的影響，具體就是噪聲和邊緣一樣在空間域中影響灰度值的變化，在頻域中又都是以高頻量存在，區(qū)分困難.對(duì)此人們進(jìn)行了大量而有效的研究，最具有代表性的是Hundredth和Marr提出的零交叉邊緣檢測(cè)法，其主張主要有2點(diǎn)：第一是對(duì)圖像灰度值突變點(diǎn)的定位，他們從函數(shù)性質(zhì)的角度考慮，就是一階導(dǎo)數(shù)取得極大值的點(diǎn)或者二階導(dǎo)數(shù)產(chǎn)生的零交叉的點(diǎn)；第二是邊緣增強(qiáng)以彌補(bǔ)丟失的重要邊緣信息，方式是基于不同尺度圖像邊緣的強(qiáng)度的變化，采用一系列不同尺度的算子來(lái)得到理想的圖像輪廓.

上世紀(jì)60年代，Roberts提出基于梯度的邊緣檢測(cè)算法，70年代提出Preterit算子、Kirsch算子和Robinson算子等［2］，這些基于梯度的邊緣檢測(cè)算子雖然已經(jīng)是成熟算法，但其共同的缺點(diǎn)是對(duì)噪聲敏感.這也使得該算法處理過(guò)的圖像沒(méi)有達(dá)到我們想要的效果.于是又陸續(xù)出現(xiàn)了基于二階導(dǎo)數(shù)零交叉點(diǎn)定位邊緣算法、梯度及局部極大值檢測(cè)算法.目前，由Canny提出的最佳邊緣檢測(cè)算子，在處理含噪聲圖像中表現(xiàn)效果不俗，同時(shí)又給出了邊緣檢測(cè)算子的性能評(píng)價(jià)標(biāo)準(zhǔn).這是當(dāng)下最理想的圖像邊緣檢測(cè)算法，本文正是利用Canny算子良好的抗噪性對(duì)肋骨X平片進(jìn)行邊緣檢測(cè).

高低閥值的選取方法，首先確定圖像的像素總數(shù)，設(shè)定一個(gè)圖像像素總數(shù)中高閥值存在的比例為H1，在設(shè)定的比例H1情況下，結(jié)合圖像像素總數(shù)得出屬于高閥值的像素個(gè)數(shù).按梯度幅值從小到大的順序?qū)⒏魈荻确祵?duì)應(yīng)的像素個(gè)數(shù)累加，所得個(gè)數(shù)和稍大于屬于高閥值的像素個(gè)數(shù)即停止，此時(shí)的梯度幅值就是我們要得到的高閥值.再設(shè)定一個(gè)低閥值與高閥值的比例H2，也就是低閥值所占圖像像素?cái)?shù)與高閥值所占圖像像素?cái)?shù)的比為H2.重復(fù)取高閥值的過(guò)程，得出低閥值.

得到的圖像邊緣效果最好.肋骨X平片預(yù)處理后得到的紋理導(dǎo)航圖見(jiàn)圖1.從圖像清晰的輪廓線來(lái)看，基本達(dá)到了預(yù)想的效果.

圖1 預(yù)處理后的肋骨導(dǎo)航圖

2 肋骨皮質(zhì)紋理提取算法設(shè)計(jì)

Gabor小波變換以其對(duì)圖像多方向多尺度的頻帶分解的技術(shù)，成為研究者提取圖像紋理特征的主要算法［3］，該算法主要是對(duì)濾波器參數(shù)的選擇.選取一組不同尺度的濾波器，就可以獲得圖像不同尺度局部特征.設(shè)定k表示Gabor小波濾波器的方向數(shù)；s表示Gabor小波濾波器的尺度數(shù)；UL表示濾波器中心頻率的最小值；UH表示濾波器中心頻率的最大值；圖像像素大小為M×N.

Gabor小波變換提取圖像紋理特征的算法，遵循以下步驟來(lái)提取肋骨皮質(zhì)的紋理特征向量［4］：

第一步，輸入一幅在預(yù)處理過(guò)的訓(xùn)練集中選取的肋骨醫(yī)學(xué)X平片導(dǎo)航圖像；

第二步，得到初始化UH，UL，s，k等.這里［UL，UH］表示中心頻率的范圍，s為尺度，k為方向數(shù)；

第三步，輸入一幅特定肋骨醫(yī)學(xué)X平片導(dǎo)航圖像；

第四步，設(shè)定尺度數(shù)s和方向數(shù)k；

第五步，計(jì)算Gabor 變換參數(shù)σu，σv等

第六步，計(jì)算θ，x′，y′等

第七步，輸入一幅肋骨醫(yī)學(xué)X平片導(dǎo)航圖像；

第八步，掃描圖像，計(jì)算小波變換后的圖像Gmn(x,y)，μsk，δsk其中：

第九步，保存μsk，δsk；

第十步，重新設(shè)定s，k轉(zhuǎn)第三步；

第十一步，得到圖像的紋理特征向量X.

這是用Gabor小波變換系數(shù)的模的平均值μsk和其標(biāo)準(zhǔn)方差δsk，來(lái)表示抽取的灰度圖像目標(biāo)的特征向量X.μsk，δsk及小波能量E(s,k)由式（6）～（8）確定［5］.

3 肋骨皮質(zhì)紋理特征分類(lèi)算法設(shè)計(jì)

主成份分析法（Principle Component Analysis，簡(jiǎn)稱(chēng)PCA），其主要原理是從原始特征組合中提取出一個(gè)包含原始數(shù)據(jù)最大信息量又互不相關(guān)的向量組合.其得出代表原始數(shù)據(jù)主要特征的特征向量的方式是對(duì)樣本協(xié)方差矩陣的求解，解出的特征值對(duì)應(yīng)的特征向量就是要找到的主要成份.

鑒于PCA中選用的線性映射自身屬性的限制，研究人員要考慮非線性特征提取的技術(shù)［6-7］.于是，采用非線性核函數(shù)將原始數(shù)據(jù)空間映射到更高維的數(shù)據(jù)空間中（Kernel Principle Component Analysis，簡(jiǎn)稱(chēng)KPCA），即核主成份分析法就產(chǎn)生了.其在高維空間中進(jìn)行主成分分析，提取樣本的線性特征以及非線性特征，得到的圖片特征信息更加準(zhǔn)確，其算法的關(guān)鍵是引入了核函數(shù)的概念，用核矩陣代替樣本協(xié)方差矩陣，只需通過(guò)核矩陣求取特征值和特征向量，避免了在整個(gè)特征空間中求解特征向量.

然而，傳統(tǒng)的KPCA分類(lèi)方法使用累計(jì)貢獻(xiàn)率選擇特征向量達(dá)到對(duì)特征空間降維的目的.但其對(duì)于圖像紋理的分類(lèi)并沒(méi)有得到預(yù)想的效果，在文中Gabor小波變換得到的肋骨導(dǎo)航圖的各特征向量，采用文獻(xiàn)［6］提出的用該特征向量類(lèi)內(nèi)聚集程度和類(lèi)間離散程度所組成的信息度量來(lái)代替?zhèn)鹘y(tǒng)KPCA中的累積貢獻(xiàn)率的方式，比傳統(tǒng)的KPCA分類(lèi)方法在紋理分類(lèi)中具有更好的效果.其主要是通過(guò)信息度量提取核矩陣的n個(gè)特征向量，并考慮這n個(gè)特征向量與樣本類(lèi)別屬性的相似度，選取最有利于分類(lèi)的特征屬性組合，實(shí)現(xiàn)了基于改進(jìn)的KPCA的圖像紋理分類(lèi).

文中對(duì)Gabor小波變換提取的肋骨紋理圖像的特征向量，分別用傳統(tǒng)的KPCA與改進(jìn)的KPCA算法分別進(jìn)行了分類(lèi)比較.

4 實(shí)驗(yàn)結(jié)果與分析

硬件設(shè)備：Intel CPU Core i5 2.60GHz + 4G內(nèi)存.

軟件環(huán)境：WinXP MATLAB7.0.

本文實(shí)驗(yàn)在WinXP系統(tǒng)下使用MATLAB7.0軟件實(shí)現(xiàn)，取定的樣本肋骨X平片，大小為512×512像素，共254張構(gòu)成的醫(yī)學(xué)圖像庫(kù).內(nèi)有正常的肋骨X平片127幅，含有病灶的肋骨X平片127幅.對(duì)經(jīng)過(guò)前文邊緣檢測(cè)算法Canny實(shí)驗(yàn)中預(yù)處理后得到的254張肋骨紋理導(dǎo)航圖，經(jīng)Gabor小波對(duì)肋骨皮質(zhì)紋理特征進(jìn)行提取.從正常X平片與含病灶X平片的導(dǎo)航圖中各取60幅，即總計(jì)120幅作為訓(xùn)練集.將總數(shù)集剩下的134幅平片圖像作為測(cè)試集.

4.1 KPCA的仿真

實(shí)驗(yàn)中，使用高斯徑向基函數(shù)（RBF）作為核函數(shù)，選取出前3個(gè)特征向量組成三維空間以便觀察每個(gè)樣本在三維空間的分布情況.分類(lèi)準(zhǔn)確率變化效果見(jiàn)圖2.

傳統(tǒng)KPCA特征提取方法所選擇的特征向量的個(gè)數(shù)n≤4時(shí)，分類(lèi)時(shí)準(zhǔn)確率過(guò)高.圖中取n≥4時(shí)的維數(shù)顯示.

4.2 改進(jìn)算法的仿真

傳統(tǒng)與改進(jìn)的KPCA算法準(zhǔn)確率曲線結(jié)果見(jiàn)圖3.由圖3可以看出，KPCA的分類(lèi)準(zhǔn)確率為91.53%，而改進(jìn)的KPCA分類(lèi)準(zhǔn)確率為95.24%.實(shí)驗(yàn)表明，肋骨X平片經(jīng)Canny算子預(yù)處理，Gabor小波特征提取，KPCA與改進(jìn)的KPCA分類(lèi)，這一組合算法對(duì)圖像紋理的分類(lèi)準(zhǔn)確率都比以往算法有了極大提高.

圖2 KPCA方法準(zhǔn)確率變化曲線

圖3 準(zhǔn)確率變化曲線對(duì)比

5 結(jié)束語(yǔ)

當(dāng)前肋骨醫(yī)學(xué)圖像處理領(lǐng)域這方面還沒(méi)有現(xiàn)成的算法，因此，本文目的在于利用成熟的圖像處理技術(shù)，針對(duì)肋骨圖像的醫(yī)學(xué)特性，在對(duì)肋骨紋理特征算法中特征提取技術(shù)進(jìn)行了分析的基礎(chǔ)上，提出了一套肋骨圖像紋理分析的流程.即運(yùn)用Canny邊緣檢測(cè)算子對(duì)圖像進(jìn)行輪廓提取，再用Gabor小波變換進(jìn)行圖像紋理特征提取，最后借用KPCA降維的優(yōu)越性對(duì)圖像紋理特征進(jìn)行了分類(lèi).得出了一種包括預(yù)處理、紋理特征提取及分類(lèi)的算法，以計(jì)算機(jī)顯示，該算法能做到提高肋骨紋理特征提取分類(lèi)的準(zhǔn)確率.當(dāng)然，也應(yīng)當(dāng)看到Gabor小波變換在取不同的尺度數(shù)與方向數(shù)時(shí)，提取的特征向量差異是很大的，這無(wú)疑會(huì)對(duì)分類(lèi)的準(zhǔn)確率有重要影響.

［1］ 范彥偉.肋骨骨折X線平片的漏診分析［J］.中國(guó)衛(wèi)生標(biāo)準(zhǔn)管理，2015，5（27）：150-151

［2］ 王植，賀賽先.一種基于Canny理論的自適應(yīng)邊緣檢測(cè)方法［J］.中國(guó)圖像圖形學(xué)報(bào)，2004，9（8）：125

［3］ Chou chia-te，Shi sheng-wen.Design of Gabor Filter Banks for Iris Recognition［C］//Proc.of the 2ndInternational Conference on Intelligent Information Hiding and Multimedia Sign Processing Pasadena.California，USA：［s n］，2006：403-406

［4］ Michael Diaz.Wavelet Features for Color Image Classification ［G］//Imaging and Geospatial Information Society.2000 Annual Conference，Orlando.2000

［5］ 王凱.基于圖像紋理特征提取算法的研究及應(yīng)用［M］.成都：西南交通大學(xué)，2013

［6］ 何新，李大輝，付軍.特征提取算法KPCA的改進(jìn)與設(shè)計(jì)［J］.高師理科學(xué)刊，2015，35（6）：34-37

［7］ Aravazhagan S，Ganesan L.Texture Classification Using Wavelet Transform Internet［J］.Pattern Recognition Lett，2003，24（10）：1513-1521

Design of texture feature extraction and classification algorithm for rib cortex

WU Zhi-qiang1，LI Da-hui2
（1. School of Science，2. School of Computer and Control Engineering，Qiqihar University，Qiqihar 1610006，China）

The texture feature of rib X-ray is important basis for fracture judgment.An algorithm is presented for the ribs texture feature extraction and classification.Utilize Canny operator to process rib X-ray.Use the Gabor wavelet to realize the texture feature extraction and KPCA to complete the reduction dimension and classification.The experimental results is shown the texture feature extraction and classification of the algorithm will improve the diagnostic rate of rib fracture.

texture feature；medical image；Canny operator；Gabor wavelet transform；KPCA

TP391

A

10.3969/j.issn.1007-9831.2016.06.010

1007-9831（2016）06-0034-04

2016-04-15

鄔志強(qiáng)（1972-），男，黑龍江齊齊哈爾人，講師，碩士，從事圖像分析與處理研究.E-mail：wzqgaoshu@126.com