一种基于KAP有向图模型的医学图像分类方法

摘要

本发明属于医疗信息技术领域，具体涉及一种基于KAP有向图模型的医学图像分类方法。本发明包括：待分类图像提出分类请求：待分类图像应为原始医学图像数据；图像预处理过程：对原始医学图像提取感兴趣ROI区域，计算图像ROI区域的灰度直方图，得到图像ROI区域的灰度直方图的波谷列表，根据波谷列表对图像分级提取纹理特征，根据实际需要将得到的分级纹理图像规范化到统一的大小，并在纹理部位提取出图像的角点。本发明提出的面向纹理的角点提取方法有效的降低了角点的提取时间，同时由于纹理部位是图像中灰度变化最剧烈的位置，也是图像中反应信息量最重要的位置，进而提高了角点的代表性。

主权项

一种基于KAP有向图模型的医学图像分类方法，其特征在于，包括如下步骤：(1)待分类图像提出分类请求：待分类图像应为原始医学图像数据；(2)图像预处理过程：对原始医学图像提取感兴趣ROI区域，计算图像ROI区域的灰度直方图，得到图像ROI区域的灰度直方图的波谷列表，根据波谷列表对图像分级提取纹理特征，根据实际需要将得到的分级纹理图像规范化到统一的大小，并在纹理部位提取出图像的角点；(3)图像建模：利用提取到的角点并结合医学图像的具体特点，利用合法KAP有向图和非法KAP有向图两种医学图像到KAP有向图的建模方法进行图像建模；(4)多步图像匹配：通过KAP有向图间顶点粗粒度匹配方法、KAP有向图间顶点细粒度匹配方法和KAP有向图间顶点匹配的优化方法，最终获得两张图像之间相同的顶点和公共子图；(5)医学图像分类：利用顶点的重要性作为顶点的权值，对KAP有向图间相同的顶点进行加权求和作为两图的相似度，并采用投票机制进行分类，实现对医学图像的多步匹配分类。