基于视觉注意机制的内窥图像中病灶定位方法
【技术领域】
[0001] 本发明涉及医学图像模式识别分析领域，特别涉及一种内窥图像中病灶区域的定 位方法。
【背景技术】
[0002] 消化道疾病越来越严重地威胁着人类的健康，同时其他许多种类的疾病都可能由 消化道系统的疾病直接或间接导致，消化道疾病的检查和诊断对人类的健康状况有着非常 重要的意义。检测消化道疾病最好的方法就是直接观测胃肠道，所以内窥镜是比较直接有 效的方法。然而传统的插入式内窥镜如肠镜、胃镜等，由于机械插入的原因无法深入肠道， 使小肠部分成为检测盲区，同时插入式内窥镜使用不方便，会给病人带来疼痛，而且有肠穿 孔的危险。随着半导体技术、传感技术、LED照明技术、无线通信与微控制技术的发展，为无 线胶囊内窥镜的出现和普及奠定了基础。无线胶囊内窥镜由微型图像传感器、照明模块、无 线发射模块、电源管理模块等组成。病人吞服后在人体胃肠道蠕动作用下胶囊内窥镜顺着 消化肠道向下运动。在运动过程中，胶囊前端的玻璃罩撑开肠道并紧贴肠壁，照明模块照亮 视场内的肠壁，同时图像传感器通过短焦距镜头获得肠道内壁的图像，并将图像数据发射 出体外。胶囊内窥镜持续地将胃肠道图像传出体外，直到由肛门被自然排出人体。整个过 程无需人工干预，不会为病人带来任何疼痛与不便，而且不存在检测盲区，实现了无痛无创 全消化道检测。正是由于这些优点胶囊内窥镜作为一种新型的消化道检测技术越来越多地 在临床中得到应用。
[0003] 胶囊内窥镜在人体内的工作时间大约为8小时，患有胃肠道疾病的人代谢时间会 更长，所以一次检测将产生至少2X3600X8 = 57600帧图像。在如此巨大数量的视频图像 中寻找病灶或病理特征是一件非常耗时耗力的工作，即使是经验丰富的专家也至少要花费 2小时的时间。这不仅浪费时间，而且由于视觉疲劳会出现漏检的情况。所以利用图像处理 与模式识别技术实现计算机智能出血图象识别是一个必然的趋势。由于内窥图像为人体消 化道图像，情况非常复杂，使用模式识别的智能识别技术非常依赖于病灶区域的确定，病灶 定位已成为智能模式识别成功与否的前期基础，将直接决定识别结果的好坏。传统的图像 分析方法将图像中所有区域都被赋予相同的优先级，然而很多图像分析所关心的内容通常 只占图像中较小的一部分，因此这种全面加工增加了分析过程的复杂性。人类视觉系统在 面对复杂场景时，注意力会迅速被少数显著的视觉对象所吸引，并对这些对象进行优先处 理。将这种机制引入到内窥图像的病灶区域寻找与识别是非常必要的，它可以提供容易引 起观察者注意的图像区域信息，减少后期模式识别的复杂度，提高模式识别的准确度和特 异度。
【发明内容】
[0004] 现有的对于内窥图像病灶识别技术的研究都集中在具体的模式识别技术上面，但 是由于内窥图像非常复杂，往往由于病灶区域无法准确定位，导致各种识别方法特异度不 高，误判率较高，为了克服病灶区域无法准确定位的难题，本发明基于视觉注意机制，提供 了一种内窥图像中病灶区域的识别、确定、转移以及种子值的计算的定位方法。该方法计算 快速、准确，可用于内窥图像中病灶区域的识别应用中。
[0005] 为了解决上述技术问题提供的技术方案为：
[0006] -种基于视觉注意机制的内窥图像中病灶定位方法，包括如下步骤：
[0007] a.内窥图像视野边沿平滑与去噪预处理
[0008] 将内窥镜检测视频分幅输入，得到单幅内窥图像，首先按内窥镜的视野参数将图 像的边沿黑边平滑处理，得到边界清晰的内窥图像，然后进行圆形图像区域的去噪预处理， 去掉待处理图像区域的噪声；
[0009] b.基于视觉感知的颜色空间转换
[0010] 步骤a中得到的预处理RGB图像是基于设备的颜色空间，将其转换到基于视觉感 知的Luv颜色空间；
[0011] c.特征显著图的提取
[0012] 以步骤b得到的Luv颜色空间图像的u、v分量作为输入，计算颜色特征显著图uv (c，s)，以L分量作为输入计算亮度特征显著图L(c，s)，然后使用拉普拉斯变换算法，提取 图像中的边沿，并采用虚连的方法，得到图像中显著内容的边沿区域，计算轮廓特征显著图 〇(c, s);
[0013] d.特征显著图融合与合成
[0014] 对步骤c所得到的颜色特征显著图uv(c，s)，亮度特征显著图L(c，s)，轮廓特征显 著图0(c，s)分别在多尺度下进行规则化运算，然后进行各个特征显著图的融合，得到图像 的显著度图S;
[0015] e，显著区域的选择与转移
[0016] 以步骤d中所得到的显著图中为输入，采用蚀刻算法过滤掉面积较小的显著区 域，然后按照区域面积大小的顺序排列显著度程度，即疑似病灶区域，最后计算病灶区域的 种子值，供后续的模式识别使用，以筛除或确认病灶的类别。
[0017] 进一步，所述步骤a中，内窥图像视野平滑处理过程如下：先将数字图像坐标原点 (〇,〇)平移至图像几何原点（_L/2，_M/2)处，其中L，M分别图像的长和宽，然后对图像内像 素进行扫描，当其距几何原点的长度大于胶囊内窥系统视野半径R时，则将其过滤为图像 视野之外。
[0018] 采用中值滤波器算法对胶囊内窥图像进行预处理，滤除内窥图像中的噪声。
[0019] 再进一步，所述步骤c中，特征显著图的提取过程采用基于Itti模型算法，采用 Center-Surround算子Θ对亮度显著图L(c, s)、颜色显著图uv(c, s)、轮廓显著图0(c, s) 分别进行特征计算，其计算过程为：
[0020] L (c，s) = | L (c) Θ L (s) |
[0021] uv(c, s) = I (u(c)-v(c)) Θ (v(s)-v(s))
[0022] 0(c, s) = | 0(c) 0〇(s)
[0023] 其中中心尺度取c = {2, 3, 4}，四周尺度取s = {2, 6, 8}。
[0024] 所述步骤d中，特征显著图融合与合成的过程如下：首先采用规则化算子N( ·) 分别对各个通道的特征显著图进行计算，得到该特征通道的综合显著图N(L(c，s))、 N(uv (c，s))、N(0 (c，s))，然后将各个通道的显著图进行融合，得到各个通道的显著度融合 图Z, 其计算过程如下：
[0028] 再然后将各分量的显著度融合图Γ,、采用规则化算子N( ·)得到规则化 的显著图融合图最后合并为综合的视觉显著度图S，其计算公式如 下：
[0030] 所述的规则化算子N( ·)的计算过程如下：首先遍历图中的像素，寻找全局最大值 M，并将图中的显著度值按比例规则化到固定区域[0，M]，然后分别计算区域的局部最大值 的平均值：并将图中每个位置的值乘以放大系数(.￥ - :)2。
[0031] 更进一步，所述步骤e中，所述的区域种子值计算采用中位数的统计方法，在步骤 e中所确定的疑是病灶区域内统计各个像素L，u，v分量的中位数M (L)，M (u)，M (v)，然后使 用该中位数构造基于视觉感知颜色空间的像素值P (M (L)，M (u)，Μ (ν))作为种子值。
[0032] 与现有技术相比，本发明的有益效果是：
[0033] 1，本发明的内窥图像中病灶区域定位算法基于人类视觉注意机制，克服了内窥图 像情况复杂，智能模式识别方法中病灶区域难以聚焦的困难，将提高内窥图像中病灶区域 确定的准确度。
[0034] 2,传统模式识别方法将图像中所有区域都赋予相同的优先级，模式识别算法的计 算量很大，本发明方法的将滤除那些非显著的图像区域，并且按照视觉显著度程度排列待 识别区域，将极大地降低模式识别的计算量。
[0035] 3,本发明的图像处理方法在基于视觉感知的颜色Luv空间，最大程度地利用了内 窥图像的颜色信息，而颜色信息是病灶区域诊断的重要信息，提高了病灶区域确定的准确 度和特异度。
【附图说明】
[0036] 图1为本发明的基于视觉注意机制的内窥图像中病灶定位方法流程图。
【具体实施方式】
[0037] 下面结合附图对本发明的实施例作详细说明。
[0038] 参照图1，一种基于视觉注意机制的内窥图像中病灶定位方法，包括如下步骤：
[0039] a.内窥图像视野边沿平滑与去噪预处理
[0040] 采用Given公司的胶囊内窥镜检测系统的检测视频文件，将内窥镜检测视频输 入，分幅得到单幅内窥图像，首先按内窥镜的视野参数将图像的边沿黑边平滑处理，得到边 界清晰的内窥图像，然后进行圆形图像区域的去噪预处理，去掉