本發(fā)明涉及圖像分割，具體涉及一種腸胃道內(nèi)窺鏡圖像分割方法。

背景技術(shù)：

1、近年來隨著人們健康意識(shí)的不斷增強(qiáng)，各種醫(yī)學(xué)檢查手段的應(yīng)用頻率不斷增加，內(nèi)窺鏡技術(shù)的應(yīng)用廣泛普及，由于胃腸道環(huán)境復(fù)雜，內(nèi)窺鏡圖像可識(shí)別度不高，檢查結(jié)果需要進(jìn)行復(fù)雜的結(jié)果分析，為了保證患者能夠獲得穩(wěn)定優(yōu)秀的內(nèi)窺鏡檢查體驗(yàn)，如何獲取準(zhǔn)確的內(nèi)窺鏡圖像分割結(jié)果具有重要意義。

2、目前，內(nèi)窺鏡技術(shù)的成像還存在以下問題：

3、(1)由于內(nèi)窺鏡圖像可識(shí)別度不高，結(jié)果往往依賴于醫(yī)生的人工判斷，這對(duì)醫(yī)生的經(jīng)驗(yàn)提出了要求，導(dǎo)致內(nèi)窺鏡檢查流程繁瑣、效率低下。

4、(2)在自動(dòng)識(shí)別圖像方面，由于醫(yī)用圖像具有隱私性，獲取大量內(nèi)窺鏡原始圖像具有難度，由于人體胃腸道結(jié)構(gòu)限制，高精度的成像硬件不適用于胃腸道內(nèi)窺鏡，導(dǎo)致內(nèi)窺鏡圖像本身的成像效果較差，為后續(xù)圖像分割造成了消極影響，自動(dòng)識(shí)別準(zhǔn)確性不佳。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種腸胃道內(nèi)窺鏡圖像分割方法，以解決現(xiàn)有技術(shù)中依賴人工、效率低下、數(shù)據(jù)集難以獲取及自動(dòng)識(shí)別準(zhǔn)確性不佳的問題。

2、為解決上述技術(shù)問題，本發(fā)明具體提供下述技術(shù)方案：

3、提供了一種腸胃道內(nèi)窺鏡圖像分割方法，包括以下步驟：

4、獲取多源腸胃道內(nèi)窺鏡圖像，對(duì)多源腸胃道內(nèi)窺鏡圖像進(jìn)行數(shù)據(jù)多樣性擴(kuò)展得到多源圖像數(shù)據(jù)集；

5、使用雙特征提取策略對(duì)所述多源圖像數(shù)據(jù)集進(jìn)行局部經(jīng)典特征提取及整體輔助特征提取得到局部經(jīng)典特征及整體輔助特征數(shù)據(jù)，將所述局部經(jīng)典特征及整體輔助特征數(shù)據(jù)進(jìn)行特征融合，得到多源特征融合數(shù)據(jù)；

6、使用圖像熱點(diǎn)算法對(duì)所述多源特征融合數(shù)據(jù)進(jìn)行多源圖像融合，獲取多源融合特征圖像，構(gòu)建脈沖耦合神經(jīng)網(wǎng)絡(luò)對(duì)所述多源融合特征圖像進(jìn)行初步圖像分割，獲取初步圖像分割數(shù)據(jù)；

7、引入高頻增強(qiáng)算法對(duì)所述初步圖像分割數(shù)據(jù)進(jìn)行圖像增強(qiáng)，實(shí)現(xiàn)圖像分割。

8、作為本發(fā)明的一種優(yōu)選方案，獲取多源腸胃道內(nèi)窺鏡圖像，對(duì)所述多源腸胃道內(nèi)窺鏡圖像進(jìn)行數(shù)據(jù)多樣性擴(kuò)展得到多源圖像數(shù)據(jù)集，包括：

9、使用硬質(zhì)內(nèi)窺鏡及彈性內(nèi)窺鏡對(duì)同一待測目標(biāo)進(jìn)行探測，獲取多源腸胃道內(nèi)窺鏡圖像；

10、將所述多源腸胃道內(nèi)窺鏡圖像進(jìn)行90°、180°、270°旋轉(zhuǎn)得到旋轉(zhuǎn)多源腸胃道內(nèi)窺鏡圖像；

11、將所述多源腸胃道內(nèi)窺鏡圖像進(jìn)行鏡像翻轉(zhuǎn)得到翻轉(zhuǎn)多源腸胃道內(nèi)窺鏡圖像；

12、將所述多源腸胃道內(nèi)窺鏡圖像亮度值降低為50％、20％得到低亮度多源腸胃道內(nèi)窺鏡圖像；

13、將所述多源腸胃道內(nèi)窺鏡圖像、旋轉(zhuǎn)多源腸胃道內(nèi)窺鏡圖像、翻轉(zhuǎn)多源腸胃道內(nèi)窺鏡圖像及低亮度多源腸胃道內(nèi)窺鏡圖像整合為多源圖像數(shù)據(jù)集。

14、作為本發(fā)明的一種優(yōu)選方案，使用雙特征提取策略對(duì)所述多源圖像數(shù)據(jù)集進(jìn)行局部經(jīng)典特征提取，包括：

15、對(duì)所述多源圖像數(shù)據(jù)集進(jìn)行圖像顏色特征提取，分別計(jì)算圖像色度、飽和度及明度的均值、標(biāo)準(zhǔn)差、峰度及偏度作為圖像顏色特征，所述均值、標(biāo)準(zhǔn)差、峰度及偏度表達(dá)式為：

16、

17、其中，μ表示均值，σ表示標(biāo)準(zhǔn)差，kurtosis表示峰度，skewness表示偏度，pk表示色度、飽和度及明度通道中灰階為k的像素個(gè)數(shù)；

18、對(duì)所述多源圖像數(shù)據(jù)集使用圓形旋轉(zhuǎn)不變局部二值算法進(jìn)行圖像紋理特征提取，包括：

19、首先選取以中心像素為圓點(diǎn)、半徑為2個(gè)像素的圓周上的16個(gè)像素，比較所述16個(gè)像素與中心像素的灰度值大??；

20、若灰度值大于中心像素灰度值則標(biāo)記為1；

21、若灰度值小于中心像素灰度值則標(biāo)記為0；

22、將16個(gè)像素點(diǎn)的標(biāo)記組成的二進(jìn)制序列進(jìn)行15次移位得到16個(gè)二進(jìn)制序列，比較所述16個(gè)二進(jìn)制序列并取其中最小值作為中心像素的標(biāo)記；

23、對(duì)圖像中所有像素作上述操作后，得到圖像紋理特征。

24、作為本發(fā)明的一種優(yōu)選方案，使用雙特征提取策略對(duì)所述多源圖像數(shù)據(jù)集進(jìn)行整體輔助特征提取，包括：

25、對(duì)所述多源圖像數(shù)據(jù)集進(jìn)行伽馬變換，其表達(dá)式為：

26、g(x,y)＝c×f(x,y)k

27、其中，g(x,y)表示伽馬變換后的像素灰度值，c為常數(shù)，f(x,y)為原始像素灰度值，k∈(0.2,0.67,1.5,5.0)；

28、對(duì)伽馬變換后的多源圖像數(shù)據(jù)集使用圓形旋轉(zhuǎn)不變局部二值算法進(jìn)行圖像紋理特征提取作為整體輔助特征。

29、作為本發(fā)明的一種優(yōu)選方案，將所述局部經(jīng)典特征及整體輔助特征數(shù)據(jù)進(jìn)行特征融合，得到多源特征融合數(shù)據(jù)，包括：

30、首先分別將多源圖像數(shù)據(jù)集的所述局部經(jīng)典特征及整體輔助特征進(jìn)行特征拼接生成特征向量，其表達(dá)式為：

31、f＝{skewness,kurtosis,σ,μ}

32、其中，μ表示均值，σ表示標(biāo)準(zhǔn)差，kurtosis表示峰度，skewness表示偏度；

33、其次對(duì)所述特征向量fa，fb進(jìn)行最大差值轉(zhuǎn)換獲取轉(zhuǎn)換特征向量，其表達(dá)式為：

34、

35、其中，max表示求取向量對(duì)位最大值，min表示求取向量對(duì)位最小值；

36、接著對(duì)所述轉(zhuǎn)換特征向量進(jìn)行向量拼接生成多源特征融合數(shù)據(jù)，其表達(dá)式為：

37、

38、其中，f1表示局部經(jīng)典特征，f2表示整體輔助特征。

39、作為本發(fā)明的一種優(yōu)選方案，使用圖像熱點(diǎn)算法對(duì)所述多源特征融合數(shù)據(jù)進(jìn)行多源圖像融合，得到多源融合特征圖像，包括：

40、將融合特征數(shù)據(jù)對(duì)應(yīng)的圖像進(jìn)行區(qū)域分割，使得每個(gè)圖像碎片包含16×16個(gè)像素，將所述圖像碎片進(jìn)行邊緣像素拓展，首先將與邊緣像素相鄰兩行或兩列的像素鏡像拓展，放置在邊緣像素外，然后將與四角像素相鄰的三個(gè)像素的灰度值求取平均值后放置在拓展部分的四角；

41、將所有邊緣像素拓展后的圖像碎片進(jìn)行碎片平均灰度值計(jì)算，將所述碎片平均灰度值按照碎片在原始圖像中的空間位置重新排列生成平均灰度值矩陣；

42、按照矩陣位置對(duì)應(yīng)關(guān)系，比較來自于所述硬質(zhì)內(nèi)窺鏡及彈性內(nèi)窺鏡的多源特征融合數(shù)據(jù)的平均灰度值，將平均灰度值較大的圖像碎片保留形成多源融合特征圖像。

43、作為本發(fā)明的一種優(yōu)選方案，構(gòu)建脈沖耦合神經(jīng)網(wǎng)絡(luò)對(duì)所述多源融合特征圖像進(jìn)行初步圖像分割獲取初步圖像分割數(shù)據(jù)，包括：

44、將所述多源融合特征圖像灰度值除以255進(jìn)行灰度值歸一化；

45、所述脈沖耦合神經(jīng)網(wǎng)絡(luò)通過神經(jīng)元輸入層的反饋輸入部分接受灰度值歸一化的多源融合特征圖像刺激，通過神經(jīng)元輸入層的連接輸入部分接受臨近像素前一次迭代的輸出刺激及自身前一次迭代的衰減刺激，通過隱藏層將所述多源融合特征圖像刺激、臨近像素前一次迭代的輸出刺激及自身前一次迭代的衰減刺激生成內(nèi)部活動(dòng)值；

46、比較內(nèi)部活動(dòng)值與動(dòng)態(tài)閾值的大小，若所述內(nèi)部活動(dòng)值大于所述動(dòng)態(tài)閾值，則激活神經(jīng)元并提高動(dòng)態(tài)閾值，若所述內(nèi)部活動(dòng)值小于所述動(dòng)態(tài)閾值，則減小動(dòng)態(tài)閾值直到神經(jīng)元激活；

47、通過神經(jīng)元激活圖將與神經(jīng)元一一對(duì)應(yīng)的所述多源融合特征圖像像素進(jìn)行分類，獲得初步圖像分割數(shù)據(jù)。

48、作為本發(fā)明的一種優(yōu)選方案，引入高頻增強(qiáng)算法對(duì)所述初步圖像分割數(shù)據(jù)進(jìn)行圖像增強(qiáng)，完成圖像分割，包括：

49、提取系數(shù)矩陣，將所述初步圖像分割數(shù)據(jù)進(jìn)行離散余弦變換轉(zhuǎn)換到頻率域，所述系數(shù)矩陣表達(dá)式為：

50、

51、其中，i∈(0,n),j∈(0,n)，n表示圖像像素寬度；

52、所述離散余弦變換表達(dá)式為：

53、f(x)＝axat

54、設(shè)置高低閾值k＝70將頻率域圖像劃分為高頻部分及低頻部分，將高頻部分及低頻部分通過多尺度卷積模塊進(jìn)行圖像增強(qiáng)，其表達(dá)式為：

55、g(xl,xh)＝f*(xh,(xl+c×xh))

56、其中，f*表示卷積操作，xh及xl分別為高頻部分及低頻部分，c表示高頻權(quán)重；

57、若所述高低閾值k大于50，小于80，則所述高頻權(quán)重c的值為1.5；

58、若所述高低閾值k大于80，則所述高頻權(quán)重c的值為2；

59、將高頻增強(qiáng)后的頻率域圖像分割數(shù)據(jù)進(jìn)行離散余弦逆變換獲得增強(qiáng)圖像分割數(shù)據(jù)。

60、本發(fā)明與現(xiàn)有技術(shù)相比較具有如下有益效果：

61、通過兩類內(nèi)窺鏡對(duì)同一對(duì)象采集多源內(nèi)窺鏡圖像，使用圖像融合算法將多源圖像內(nèi)的特征信息進(jìn)行融合，實(shí)現(xiàn)了信息互補(bǔ)，通過整體輔助特征對(duì)局部經(jīng)典特征做輔助，保證特征提取的準(zhǔn)確度，提高了內(nèi)窺鏡圖像分割的準(zhǔn)確性。

62、通過數(shù)據(jù)集拓展，解決了醫(yī)用敏感性數(shù)據(jù)獲取難度高的問題，構(gòu)建了特征提取、特征融合、圖像融合及圖像高頻特征增強(qiáng)的方法，實(shí)現(xiàn)了高精度內(nèi)窺鏡圖像分割，解決了內(nèi)窺鏡檢查結(jié)果依賴人工分析的問題，為醫(yī)療診斷提供快速準(zhǔn)確的參考數(shù)據(jù)。