一种基于SVM的胶囊内窥镜图像分类方法

摘要

本发明公开了一种基于SVM的胶囊内窥镜图像分类方法，该方法通过提取异常病变图像库中图像的纹理特征和光谱特征，构建SVM分类预测模型，将胶囊内窥镜采集图像中正常无病变图像与异常病变图像进行分类。与现有技术相比，该方法可以从海量的待检测的胶囊内窥镜采集图像中快速发现病变图像，从而缩短诊断时间，减轻医生阅片的劳动强度，提高诊断效率。

主权项

一种基于SVM的胶囊内窥镜图像分类方法，其特征在于，包括以下步骤：步骤S1：建立胶囊内窥镜异常病变图像库：所述异常病变图像库包括标准病例图像；步骤S2：提取异常病变图像库中图像的纹理特征K_t和光谱特征K_s；步骤S3：基于步骤S2获得的异常病变图像的纹理特征K_t和光谱特征K_s，引入RBF核函数K(x,x')＝exp(‑P||x‑x'||²)，式中，x为纹理特征向量或光谱特征向量，x'为核函数中心，σ为核宽度，构建基于高斯径向基RBF的纹理核K_t与光谱核K_s的组合核函数K为：K＝βK_t+(1‑β)K_s式中：β为组合核函数K的权值系数；步骤S4：由已知包含异常病变特征图像和正常无病变图像组成训练样本集，使用步骤S3的组合核函数K作为SVM学习模型的核函数，构建基于RBF核函数的SVM学习模型进行训练：式中：x_i为模型的输入向量，即为纹理特征向量或光谱特征向量；X为输入向量通过组合核函数计算映射得到的高维空间属性；l是训练样本数，α_i为辅助变量拉格朗日算子，0＜α_i＜C，C是对错分样本的惩罚系数；b为分类阀值；y_i为分类标记，其中，y_i＝0或1，即0表示正常无病变的图像，1表示异常病变特征的图像；步骤S5：通过交叉验证的方法对SVM学习模型中的惩罚系数C和RBF核宽度σ进行优化选择，取最优惩罚系数值C为最优拉格朗日算子α*，即最优权值α*，获得如下所示的SVM分类预测模型f(X)：式中，y_i∈{0,1}；步骤S6：使用步骤S5的分类预测模型对待检测的胶囊内窥镜图像进行分类，当f(X)＞0时，表示待检测图像为有异常病变特征的图像，标记为1；当f(X)＜0时，表示待检测图像为正常无病变的图像，标记为0，从而将有异常病变特征的图像和正常无病变的图像区分开；步骤S7：将步骤S6中标记为1的图像作为学习样本，加入步骤S1的异常病变图像库中， 通过不断学习和训练分类预测模型f(X)，逐步提高分类精度。