基于相似度的乳腺圖像的匹配圖像檢索方法及檢索系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了提供一種基于相似度的乳腺圖像的匹配圖像檢索方法及檢索系統(tǒng)，基于相似度的乳腺圖像的匹配圖像檢索方法包括如下步驟：建立圖像特征庫；建立分層聚類樹；提取待檢索圖像的特征；查找與帶檢索圖像相似的圖像并輸出。本發(fā)明的系統(tǒng)包括圖像特征庫建立模塊、分層聚類樹建立模塊、待檢索圖像的特征提取模塊和相似圖像查找模塊。本發(fā)明的方法和系統(tǒng)能夠?qū)崟r(shí)將需要檢索的乳腺X線片的圖像輸入檢索數(shù)據(jù)庫，然后對(duì)輸入圖像進(jìn)行分析，將檢索數(shù)據(jù)庫中的圖像按照與輸入圖像的相似度進(jìn)行排序輸出。本發(fā)明的檢索速度快且檢索結(jié)果準(zhǔn)確。
【專利說明】基于相似度的乳腺圖像的匹配圖像檢索方法及檢索系統(tǒng)
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于數(shù)字圖像檢索【技術(shù)領(lǐng)域】，具體涉及一種基于相似度的乳腺圖像的匹配圖像檢索方法及檢索系統(tǒng)。
【背景技術(shù)】
[0002]乳腺疾病是嚴(yán)重危害女性健康的一種疾病，目前乳腺癌已經(jīng)占到女性新發(fā)惡性病的30%左右,排名女性惡性腫瘤發(fā)病率的第一位。乳腺X線照相術(shù)(Mammography)通過專門的鑰鈀X線機(jī)對(duì)乳房進(jìn)行拍照形成乳腺X線片，目前使用乳腺X線片作為基礎(chǔ)數(shù)據(jù)進(jìn)行乳腺疾病的研究已經(jīng)在發(fā)達(dá)國家成為使用最普遍的方式。乳腺癌X線片中病灶表示形式常見的有較規(guī)則或類圓形腫塊、不規(guī)則或模糊腫塊、毛刺腫塊、透亮環(huán)腫塊四類。計(jì)算機(jī)視覺領(lǐng)域的目標(biāo)檢測技術(shù)和人工智能領(lǐng)域的機(jī)器學(xué)習(xí)技術(shù)能夠非常直觀的應(yīng)用在乳腺腫塊的檢測中，該技術(shù)通過對(duì)腫塊區(qū)域和非腫塊區(qū)域的訓(xùn)練學(xué)習(xí)，從乳腺X射線片中檢測到疑似腫塊區(qū)域。但由于目前機(jī)器學(xué)習(xí)技術(shù)和目標(biāo)檢測技術(shù)還不夠不成熟，尤其是“語義鴻溝(Semantic Gap)”問題還沒有得到根本解決，現(xiàn)有的應(yīng)用上述技術(shù)進(jìn)行乳腺腫塊區(qū)域自動(dòng)檢測的方法存在將腫塊區(qū)域漏掉或者腫塊部位不準(zhǔn)確等問題。

【發(fā)明內(nèi)容】

[0003]針對(duì)上述現(xiàn)有技術(shù)中存在的缺陷或不足，本發(fā)明的一個(gè)目的在于，提供一種基于相似度的乳腺圖像的匹配圖像檢索方法，該方法實(shí)時(shí)將需要檢索的乳腺X線片的圖像輸入檢索數(shù)據(jù)庫，然后對(duì)輸入圖像進(jìn)行分析，將檢索數(shù)據(jù)庫中的圖像按照與輸入圖像的相似度進(jìn)行排序輸出。該方法能夠?qū)崟r(shí)、快速、準(zhǔn)確地輸出與輸入圖像的相似度最高的若干幅圖像，從而為醫(yī)生在結(jié)合檢查報(bào)告后進(jìn)行實(shí)時(shí)分析乳腺腫塊或鈣化提供更多的參考依據(jù)。
[0004]為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下的技術(shù)方案予以解決:
[0005]一種基于相似度的乳腺圖像的匹配圖像檢索方法，包括如下步驟:
[0006]步驟1:建立圖像特征庫；具體步驟為:遍歷圖像庫中保存的乳腺圖像，利用SIFT算法對(duì)每幅乳腺圖像提取SIFT特征塊，并將每個(gè)符合規(guī)定尺度的SIFT特征塊以特征塊中心為定點(diǎn)旋轉(zhuǎn)，直至其主方向與水平方向垂直，并利用HOG算法分別提取這些特征塊的HOG特征；然后將每個(gè)旋轉(zhuǎn)后的SIFT特征塊進(jìn)行水平翻轉(zhuǎn)，并利用HOG算法分別提取這些水平翻轉(zhuǎn)后的特征塊的HOG特征；將旋轉(zhuǎn)后以及水平翻轉(zhuǎn)后得到的每幅乳腺圖像的圖像號(hào)、該圖像的HOG特征數(shù)以及該圖像的HOG特征對(duì)應(yīng)保存到圖像特征庫；
[0007]步驟2:建立分層聚類樹；具體步驟如下:
[0008]步驟201:從圖像特征庫中讀取所有的HOG特征并將它們保存到分層聚類樹的根節(jié)點(diǎn)；令根節(jié)點(diǎn)為當(dāng)前節(jié)點(diǎn)；
[0009]步驟202:在當(dāng)前節(jié)點(diǎn)上保存所有的HOG特征中隨機(jī)選取來自于不同圖像的K個(gè)HOG特征作為初始聚類中心，使用K-Means算法將當(dāng)前節(jié)點(diǎn)上保存的所有HOG特征分成K個(gè)類；同時(shí)，令當(dāng)前節(jié)點(diǎn)產(chǎn)生K個(gè)子節(jié)點(diǎn)，將生成的K個(gè)類中的HOG特征以及每個(gè)類的聚類中心對(duì)應(yīng)存儲(chǔ)到當(dāng)前節(jié)點(diǎn)的K個(gè)子節(jié)點(diǎn)上；
[0010]步驟203:判斷分層聚類樹的層數(shù)是否小于閾值d印th，是則將步驟202產(chǎn)生的K個(gè)子節(jié)點(diǎn)依次作為當(dāng)前節(jié)點(diǎn)，分別執(zhí)行步驟202 ;否則結(jié)束；
[0011]步驟3:提取待檢索圖像的特征；具體步驟如下:
[0012]對(duì)一幅待檢索圖像，利用SIFT算法提取其SIFT特征塊并選出符合規(guī)定尺度的SIFT特征塊，將每個(gè)選出的SIFT特征塊以特征塊的中心為定點(diǎn)旋轉(zhuǎn)，直至其主方向與水平方向垂直，并提取其HOG特征；再對(duì)該旋轉(zhuǎn)后的SIFT特征塊做水平翻轉(zhuǎn)后提取HOG特征；
[0013]步驟4:查找與帶檢索圖像相似的圖像并輸出；具體步驟如下:
[0014]步驟401:遍歷待檢索圖像的所有HOG特征，將待檢索圖像的每個(gè)HOG特征作為當(dāng)前特征，選出分層聚類樹上與當(dāng)前特征對(duì)應(yīng)的一個(gè)葉子節(jié)點(diǎn)；
[0015]步驟402:對(duì)于待檢測圖像的每個(gè)HOG特征，利用kNN算法計(jì)算得到與每個(gè)HOG特征對(duì)應(yīng)的葉子節(jié)點(diǎn)中存儲(chǔ)的HOG特征中與該HOG特征最近的k個(gè)特征，該k個(gè)HOG特征組成該HOG特征的匹配特征集；
[0016]步驟403:統(tǒng)計(jì)待檢測圖像的所有HOG特征的匹配特征集中，所有HOG特征來自的乳腺圖像的圖像號(hào)出現(xiàn)的次數(shù)，并將每個(gè)乳腺圖像的圖像號(hào)出現(xiàn)的次數(shù)按照降序排序，取前k個(gè)對(duì)應(yīng)的乳腺圖像作為與待檢測圖像相似度高的乳腺圖像輸出。
[0017]進(jìn)一步的，所述步驟I中的所述符合規(guī)定尺度的SIFT特征塊是指大小不小于32X32像素的SIFT特征塊。
[0018]進(jìn)一步的,所述步驟202中的當(dāng)前節(jié)點(diǎn)產(chǎn)生子節(jié)點(diǎn)的個(gè)數(shù)K=3。
[0019]進(jìn)一步的，所述步驟203中的分層聚類樹的層數(shù)的閾值d印th=4。
[0020]進(jìn)一步的,所述步驟401中選出分層聚類樹上與當(dāng)前特征對(duì)應(yīng)的一個(gè)葉子節(jié)點(diǎn)的具體步驟如下:
[0021]I)將分層聚類樹的根節(jié)點(diǎn)作為當(dāng)前節(jié)點(diǎn)；
[0022]2)計(jì)算當(dāng)前HOG特征與當(dāng)前節(jié)點(diǎn)的K個(gè)子節(jié)點(diǎn)聚類中心的距離(本發(fā)明中采用歐式距離)，選出距離最近的節(jié)點(diǎn)；判斷該選出的節(jié)點(diǎn)是否是葉子節(jié)點(diǎn)，是則結(jié)束；否則將該選出的節(jié)點(diǎn)作為當(dāng)前節(jié)點(diǎn)，執(zhí)行2)。
[0023]本發(fā)明的另一個(gè)目的在于，提供一種基于相似度的乳腺圖像的匹配圖像檢索系統(tǒng)，該系統(tǒng)能夠?qū)崿F(xiàn)計(jì)算機(jī)實(shí)時(shí)批量檢索，將需要檢索的乳腺X線片的圖像輸入檢索數(shù)據(jù)庫，然后對(duì)輸入圖像進(jìn)行分析，將檢索數(shù)據(jù)庫中的圖像按照與輸入圖像的相似度進(jìn)行排序輸出。
[0024]為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下的技術(shù)方案予以解決:
[0025]一種基于相似度的乳腺圖像的匹配圖像檢索系統(tǒng)，具體包括如下模塊:
[0026]I)圖像特征庫建立模塊，該模塊用于遍歷圖像庫中保存的乳腺圖像，利用SIFT算法對(duì)每幅乳腺圖像提取SIFT特征塊，并將每個(gè)符合規(guī)定尺度的SIFT特征塊以特征塊中心為定點(diǎn)旋轉(zhuǎn)，直至其主方向與水平方向垂直，并利用HOG算法分別提取這些特征塊的HOG特征；然后將每個(gè)旋轉(zhuǎn)后的SIFT特征塊進(jìn)行水平翻轉(zhuǎn)，并利用HOG算法分別提取這些水平翻轉(zhuǎn)后的特征塊的HOG特征；將旋轉(zhuǎn)后以及水平翻轉(zhuǎn)后得到的每幅乳腺圖像的圖像號(hào)、該圖像的HOG特征數(shù)以及該圖像的HOG特征對(duì)應(yīng)保存到圖像特征庫；
[0027]2)分層聚類樹建立模塊，該模塊包括以下相連接的子模塊:[0028]子模塊201:從圖像特征庫中讀取所有的HOG特征并將它們保存到分層聚類樹的根節(jié)點(diǎn)；令根節(jié)點(diǎn)為當(dāng)前節(jié)點(diǎn)；
[0029]子模塊202:在當(dāng)前節(jié)點(diǎn)上保存所有的HOG特征中隨機(jī)選取來自于不同圖像的K個(gè)HOG特征作為初始聚類中心，使用K-Means算法將當(dāng)前節(jié)點(diǎn)上保存的所有HOG特征分成K個(gè)類；同時(shí)，令當(dāng)前節(jié)點(diǎn)產(chǎn)生K個(gè)子節(jié)點(diǎn)，將生成的K個(gè)類中的HOG特征以及每個(gè)類的聚類中心對(duì)應(yīng)存儲(chǔ)到當(dāng)前節(jié)點(diǎn)的K個(gè)子節(jié)點(diǎn)上；
[0030]子模塊203:判斷分層聚類樹的層數(shù)是否小于閾值d印th，是則將子模塊202產(chǎn)生的K個(gè)子節(jié)點(diǎn)依次作為當(dāng)前節(jié)點(diǎn)，分別執(zhí)行子模塊202 ;否則結(jié)束；
[0031]3)待檢索圖像的特征提取模塊，該模塊用于:
[0032]對(duì)一幅待檢索圖像，利用SIFT算法提取其SIFT特征塊并選出符合規(guī)定尺度的SIFT特征塊，將每個(gè)選出的SIFT特征塊以特征塊的中心為定點(diǎn)旋轉(zhuǎn)，直至其主方向與水平方向垂直，并提取其HOG特征；再對(duì)該旋轉(zhuǎn)后的SIFT特征塊做水平翻轉(zhuǎn)后提取HOG特征；
[0033]4)相似圖像查找模塊，該模塊包括如下依次相連接的子模塊:
[0034]子模塊401:遍歷待檢索圖像的所有HOG特征，將待檢索圖像的每個(gè)HOG特征作為當(dāng)前特征，選出分層聚類樹上與當(dāng)前特征對(duì)應(yīng)的一個(gè)葉子節(jié)點(diǎn)；
[0035]子模塊402:對(duì)于待檢測圖像的每個(gè)HOG特征，利用kNN算法計(jì)算得到與每個(gè)HOG特征對(duì)應(yīng)的葉子節(jié)點(diǎn)中存儲(chǔ)的HOG特征中與該HOG特征最近的k個(gè)特征，該k個(gè)HOG特征組成該HOG特征的匹配特征集；
[0036]子模塊403:統(tǒng)計(jì)待檢測圖像的所有HOG特征的匹配特征集中，所有HOG特征來自的乳腺圖像的圖像號(hào)出現(xiàn)的次數(shù)，并將每個(gè)乳腺圖像的圖像號(hào)出現(xiàn)的次數(shù)按照降序排序，取前k個(gè)對(duì)應(yīng)的乳腺圖像作為與待檢測圖像相似度高的乳腺圖像輸出。
[0037]進(jìn)一步的，所述圖像特征庫建立模塊中的所述符合規(guī)定尺度的SIFT特征塊是指大小不小于32X32像素的SIFT特征塊。
[0038]進(jìn)一步的，所述子模塊202中的當(dāng)前節(jié)點(diǎn)產(chǎn)生子節(jié)點(diǎn)的個(gè)數(shù)K=3。
[0039]進(jìn)一步的，所述子模塊203中的分層聚類樹的層數(shù)的閾值d印th=4。
[0040]進(jìn)一步的，所述子模塊401中選出分層聚類樹上與當(dāng)前特征對(duì)應(yīng)的一個(gè)葉子節(jié)點(diǎn)的子模塊用于:
[0041]I)將分層聚類樹的根節(jié)點(diǎn)作為當(dāng)前節(jié)點(diǎn)；
[0042]2)計(jì)算當(dāng)前HOG特征與當(dāng)前節(jié)點(diǎn)的K個(gè)子節(jié)點(diǎn)聚類中心的距離(本發(fā)明中采用歐式距離)，選出距離最近的節(jié)點(diǎn)；判斷該選出的節(jié)點(diǎn)是否是葉子節(jié)點(diǎn)，是則結(jié)束；否則將該選出的節(jié)點(diǎn)作為當(dāng)前節(jié)點(diǎn)，執(zhí)行2)。
[0043]與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)如下:
[0044]1、從圖像中提取特征塊時(shí)按照特定規(guī)則選取特征塊，刪除了信息量少的特征塊，減少了容量存儲(chǔ)。
[0045]2、針對(duì)乳腺圖像的特殊性，即一對(duì)乳腺左右部分相似的性質(zhì)，為了檢索出一對(duì)乳腺的左右部分，對(duì)特征塊做了水平翻轉(zhuǎn)之后提取特征，豐富了特征庫的信息。
[0046]3、為了加快檢索的速度，采用了分層聚類樹來建立特征樹，保證檢索的運(yùn)算復(fù)雜度在“對(duì)數(shù)”級(jí)別，大大提高了檢索效率。【專利附圖】

【附圖說明】
[0047]圖1是本發(fā)明的檢索方法的總體流程圖。
[0048]圖2是本發(fā)明的檢索方法的步驟I建立圖像特征庫的流程圖。
[0049]圖3是本發(fā)明的檢索方法的步驟2建立分層聚類樹流程圖。
[0050]圖4是分層聚類算法的流程圖。
[0051]圖5是本發(fā)明的檢索方法的步驟3提取檢索圖像特征流程圖。
[0052]圖6是本發(fā)明的檢索方法的步驟4查找并輸出相似圖像的流程圖。
圖7是本發(fā)明的基于相似度的乳腺圖像的匹配圖像檢索系統(tǒng)的結(jié)構(gòu)圖。
[0053]圖8是本發(fā)明的實(shí)施例的執(zhí)行過程中的結(jié)果。其中，圖8(a)實(shí)施例中的一張待檢索圖片，圖8(b)為步驟3中使用SIFT算法提取的所有SIFT特征塊，圖8 (c)為去除冗余SIFT特征塊之后的剩余的SIFT特征塊，圖8 (d)為待檢索圖像中一部分完成旋轉(zhuǎn)之后的SIFT特征塊。圖8(e)為系統(tǒng)輸出的最終檢索結(jié)果。
[0054]以下結(jié)合附圖和【具體實(shí)施方式】對(duì)本發(fā)明進(jìn)一步解釋說明。
【具體實(shí)施方式】
[0055]相關(guān)術(shù)語介紹如下:
[0056]1、SIFT (Scale Invariant Feature Transform)算法
[0057]即尺度不變特征變換，是一種基于尺度空間的、對(duì)圖像縮放、旋轉(zhuǎn)甚至仿射變換保持不變性的圖像局部特征描述算子。該算法是圖像特征提取技術(shù)的經(jīng)典算法，該算法通過計(jì)算一幅圖像中的特征點(diǎn)(Feature Points)以及其尺度和方向的描述算子從而得到特征塊。SIFT算法輸出的結(jié)果為:特征塊的中心點(diǎn)，特征塊的大小和特征塊的主方向。通過SIFT算法來提取圖像的SIFT特征塊具體這樣實(shí)現(xiàn):用不同尺度的圖像I U，y)與高斯函數(shù)G(xi； Yi, ο )做卷積構(gòu)建高斯金字塔；進(jìn)而構(gòu)建DOG (Difference of Gaussians)高斯差分金字塔，從查找出的DOG空間的局部極值點(diǎn)去除不穩(wěn)定的極值點(diǎn)，得到特征點(diǎn)，最后找出不同尺度下的特征塊。其中，(x，y)表示圖像中像素點(diǎn)的坐標(biāo)，σ為尺度大小。高斯函數(shù)為:
[0058]
【權(quán)利要求】
1.一種基于相似度的乳腺圖像的匹配圖像檢索方法，其特征在于，具體包括如下步驟: 步驟1:建立圖像特征庫；具體步驟為:遍歷圖像庫中保存的乳腺圖像，利用SIFT算法對(duì)每幅乳腺圖像提取SIFT特征塊，并將每個(gè)符合規(guī)定尺度的SIFT特征塊以特征塊中心為定點(diǎn)旋轉(zhuǎn)，直至其主方向與水平方向垂直，并利用HOG算法分別提取這些特征塊的HOG特征；然后將每個(gè)旋轉(zhuǎn)后的SIFT特征塊進(jìn)行水平翻轉(zhuǎn)，并利用HOG算法分別提取這些水平翻轉(zhuǎn)后的特征塊的HOG特征；將旋轉(zhuǎn)后以及水平翻轉(zhuǎn)后得到的每幅乳腺圖像的圖像號(hào)、該圖像的HOG特征數(shù)以及該圖像的HOG特征對(duì)應(yīng)保存到圖像特征庫； 步驟2:建立分層聚類樹；具體步驟如下: 步驟201:從圖像特征庫中讀取所有的HOG特征并將它們保存到分層聚類樹的根節(jié)點(diǎn)；令根節(jié)點(diǎn)為當(dāng)前節(jié)點(diǎn)； 步驟202:在當(dāng)前節(jié)點(diǎn)上保存所有的HOG特征中隨機(jī)選取來自于不同圖像的K個(gè)HOG特征作為初始聚類中心，使用K-Means算法將當(dāng)前節(jié)點(diǎn)上保存的所有HOG特征分成K個(gè)類；同時(shí)，令當(dāng)前節(jié)點(diǎn)產(chǎn)生K個(gè)子節(jié)點(diǎn)，將生成的K個(gè)類中的HOG特征以及每個(gè)類的聚類中心對(duì)應(yīng)存儲(chǔ)到當(dāng)前節(jié)點(diǎn)的K個(gè)子節(jié)點(diǎn)上； 步驟203:判斷分層聚類樹的層數(shù)是否小于閾值d印th，是則將步驟202產(chǎn)生的K個(gè)子節(jié)點(diǎn)依次作為當(dāng)前節(jié)點(diǎn)，分別執(zhí)行步驟202 ;否則結(jié)束； 步驟3:提取待檢索圖像的特征；具體步驟如下: 對(duì)一幅待檢索圖像，利用SIFT算法提取其SIFT特征塊并選出符合規(guī)定尺度的SIFT特征塊，將每個(gè)選出的SIFT特征塊以特征塊的中心為定點(diǎn)旋轉(zhuǎn)，直至其主方向與水平方向垂直，并提取其HOG特征；再對(duì)該旋轉(zhuǎn)后的SIFT特征塊做水平翻轉(zhuǎn)后提取HOG特征； 步驟4:查找與帶檢索圖像相似的圖像并輸出；具體步驟如下: 步驟401:遍歷待檢索圖像的所有HOG特征，將待檢索圖像的每個(gè)HOG特征作為當(dāng)前特征，選出分層聚類樹上與當(dāng)前特征對(duì)應(yīng)的一個(gè)葉子節(jié)點(diǎn)； 步驟402:對(duì)于待檢測圖像的每個(gè)HOG特征，利用kNN算法計(jì)算得到與每個(gè)HOG特征對(duì)應(yīng)的葉子節(jié)點(diǎn)中存儲(chǔ)的HOG特征中與該HOG特征最近的k個(gè)特征，該k個(gè)HOG特征組成該HOG特征的匹配特征集； 步驟403:統(tǒng)計(jì)待檢測圖像的所有HOG特征的匹配特征集中，所有HOG特征來自的乳腺圖像的圖像號(hào)出現(xiàn)的次數(shù)，并將每個(gè)乳腺圖像的圖像號(hào)出現(xiàn)的次數(shù)按照降序排序，取前k個(gè)對(duì)應(yīng)的乳腺圖像作為與待檢測圖像相似度高的乳腺圖像輸出。
2.如權(quán)利要求1所述的基于相似度的乳腺圖像的匹配圖像檢索方法，其特征在于，所述步驟I中的所述符合規(guī)定尺度的SIFT特征塊是指大小不小于32X32像素的SIFT特征塊。
3.如權(quán)利要求1所述的基于相似度的乳腺圖像的匹配圖像檢索方法，其特征在于，所述步驟202中的當(dāng)前 節(jié)點(diǎn)產(chǎn)生子節(jié)點(diǎn)的個(gè)數(shù)K=3。
4.如權(quán)利要求1所述的基于相似度的乳腺圖像的匹配圖像檢索方法，其特征在于，所述步驟203中的分層聚類樹的層數(shù)的閾值d印th=4。
5.如權(quán)利要求1所述的基于相似度的乳腺圖像的匹配圖像檢索方法，其特征在于，所述步驟401中選出分層聚類樹上與當(dāng)前特征對(duì)應(yīng)的一個(gè)葉子節(jié)點(diǎn)的具體步驟如下:1)將分層聚類樹的根節(jié)點(diǎn)作為當(dāng)前節(jié)點(diǎn)； 2)計(jì)算當(dāng)前HOG特征與當(dāng)前節(jié)點(diǎn)的K個(gè)子節(jié)點(diǎn)聚類中心的距離(本發(fā)明中采用歐式距離)，選出距離最近的節(jié)點(diǎn)；判斷該選出的節(jié)點(diǎn)是否是葉子節(jié)點(diǎn)，是則結(jié)束；否則將該選出的節(jié)點(diǎn)作為當(dāng)前節(jié)點(diǎn)，執(zhí)行2)。
6.一種基于相似度的乳腺圖像的匹配圖像檢索系統(tǒng)，其特征在于，具體包括如下模塊: 1)圖像特征庫建立模塊，該模塊用于遍歷圖像庫中保存的乳腺圖像，利用SIFT算法對(duì)每幅乳腺圖像提取SIFT特征塊，并將每個(gè)符合規(guī)定尺度的SIFT特征塊以特征塊中心為定點(diǎn)旋轉(zhuǎn)，直至其主方向與水平方向垂直，并利用HOG算法分別提取這些特征塊的HOG特征；然后將每個(gè)旋轉(zhuǎn)后的SIFT特征塊進(jìn)行水平翻轉(zhuǎn)，并利用HOG算法分別提取這些水平翻轉(zhuǎn)后的特征塊的HOG特征；將旋轉(zhuǎn)后以及水平翻轉(zhuǎn)后得到的每幅乳腺圖像的圖像號(hào)、該圖像的HOG特征數(shù)以及該圖像的HOG特征對(duì)應(yīng)保存到圖像特征庫； 2)分層聚類樹建立模塊，該模塊包括以下相連接的子模塊: 子模塊201:從圖像特征庫中讀取所有的HOG特征并將它們保存到分層聚類樹的根節(jié)點(diǎn)；令根節(jié)點(diǎn)為當(dāng)前節(jié)點(diǎn)； 子模塊202:在當(dāng)前節(jié)點(diǎn)上保存所有的HOG特征中隨機(jī)選取來自于不同圖像的K個(gè)HOG特征作為初始聚類中心，使用K-Means算法將當(dāng)前節(jié)點(diǎn)上保存的所有HOG特征分成K個(gè)類；同時(shí)，令當(dāng)前節(jié)點(diǎn)產(chǎn)生K個(gè)子節(jié)點(diǎn)，將生成的K個(gè)類中的HOG特征以及每個(gè)類的聚類中心對(duì)應(yīng)存儲(chǔ)到當(dāng)前節(jié)點(diǎn)的K個(gè)子節(jié)點(diǎn)上； 子模塊203:判斷分層聚類樹的層數(shù)是否小于閾值d印th，是則將子模塊202產(chǎn)生的K個(gè)子節(jié)點(diǎn)依次作為當(dāng)前節(jié)點(diǎn)，分別執(zhí)行子模塊202 ;否則結(jié)束； 3)待檢索圖像的特征提取模塊，該模塊用于: 對(duì)一幅待檢索圖像，利用SIFT算法提取其SIFT特征塊并選出符合規(guī)定尺度的SIFT特征塊，將每個(gè)選出的SIFT特征塊以特征塊的中心為定點(diǎn)旋轉(zhuǎn)，直至其主方向與水平方向垂直，并提取其HOG特征；再對(duì)該旋轉(zhuǎn)后的SIFT特征塊做水平翻轉(zhuǎn)后提取HOG特征； 4)相似圖像查找模塊，該模塊包括如下依次相連接的子模塊: 子模塊401:遍歷待檢索圖像的所有HOG特征，將待檢索圖像的每個(gè)HOG特征作為當(dāng)前特征，選出分層聚類樹上與當(dāng)前特征對(duì)應(yīng)的一個(gè)葉子節(jié)點(diǎn)； 子模塊402:對(duì)于待檢測圖像的每個(gè)HOG特征，利用kNN算法計(jì)算得到與每個(gè)HOG特征對(duì)應(yīng)的葉子節(jié)點(diǎn)中存儲(chǔ)的HOG特征中與該HOG特征最近的k個(gè)特征，該k個(gè)HOG特征組成該HOG特征的匹配特征集； 子模塊403:統(tǒng)計(jì)待檢測圖像的所有HOG特征的匹配特征集中，所有HOG特征來自的乳腺圖像的圖像號(hào)出現(xiàn)的次數(shù)，并將每個(gè)乳腺圖像的圖像號(hào)出現(xiàn)的次數(shù)按照降序排序，取前k個(gè)對(duì)應(yīng)的乳腺圖像作為與待檢測圖像相似度高的乳腺圖像輸出。
7.如權(quán)利要求6所述的基于相似度的乳腺圖像的匹配圖像檢索方法，其特征在于，所述圖像特征庫建立模塊中的所述符合規(guī)定尺度的SIFT特征塊是指大小不小于32 X 32像素的SIFT特征塊。
8.如權(quán)利要求6所述的基于相似度的乳腺圖像的匹配圖像檢索方法，其特征在于，所述子模塊202中的當(dāng)前節(jié)點(diǎn)產(chǎn)生子節(jié)點(diǎn)的個(gè)數(shù)K=3。
9.如權(quán)利要求6所述的基于相似度的乳腺圖像的匹配圖像檢索方法，其特征在于，所述子模塊203中的分層聚類樹的層數(shù)的閾值d印th=4。
10.如權(quán)利要求6所述的基于相似度的乳腺圖像的匹配圖像檢索方法，其特征在于，所述子模塊401中選出分層聚類樹上與當(dāng)前特征對(duì)應(yīng)的一個(gè)葉子節(jié)點(diǎn)的子模塊用于: 1)將分層聚類樹的根節(jié)點(diǎn)作為當(dāng)前節(jié)點(diǎn)； 2)計(jì)算當(dāng)前HOG特征與當(dāng)前節(jié)點(diǎn)的K個(gè)子節(jié)點(diǎn)聚類中心的距離(本發(fā)明中采用歐式距離)，選出距離最近的節(jié)點(diǎn)；判斷該選出的節(jié)點(diǎn)是否是葉子節(jié)點(diǎn)，是則結(jié)束；否則將該選出的節(jié)點(diǎn)作為當(dāng)前節(jié)點(diǎn)，執(zhí)行2)。`
【文檔編號(hào)】G06F17/30GK103678504SQ201310590294
【公開日】2014年3月26日 申請(qǐng)日期:2013年11月19日 優(yōu)先權(quán)日:2013年11月19日
【發(fā)明者】張浪, 辛良, 申田, 李云峰, 張孝林 申請(qǐng)人:西安華海盈泰醫(yī)療信息技術(shù)有限公司