基于灰度共生矩陣提取紋理特征的醫學圖像檢索技術的研究與應用

時間：2024-07-08 11:49:19 醫學畢業論文我要投稿

相關推薦

　　引導語：近年來，隨著計算機、網絡、通訊技術的不斷發展和其相關應用的迅速普及，數字信息的數量和種類快速膨脹，各個領域的數字圖像數據大量產生。以下是YJBYS的小編為大家找到的基于灰度共生矩陣提取紋理特征的醫學圖像檢索技術的研究與應用。希望能夠幫助到大家!

基于灰度共生矩陣提取紋理特征的醫學圖像檢索技術的研究與應用

　　摘要：隨著信息技術在醫院的普及，積累了大量病人的影像數據,這些數據是醫生進行臨床診斷、病情跟蹤、手術計劃、研究、鑒別診斷的重要客觀依據。本課題選用灰度共生矩陣對圖像紋理特征進行提取，利用像素對之間的方向和距離參數構造共生矩陣，然后從矩陣中提取能量、熵等有意義的統計量來表示紋理特征，從而建立一個醫學圖像檢索系統，有效提高醫學圖像的利用率。

　　關鍵詞：基于內容的圖像檢索;特征提取;相似性度量;紋理;灰度共生矩陣

　　近年來，隨著計算機、網絡、通訊技術的不斷發展和其相關應用的迅速普及，數字信息的數量和種類快速膨脹，各個領域的數字圖像數據大量產生。如何快速、準確地從海量的圖像數據庫中查找到用戶感興趣的圖像成為一個迫切需要解決的問題。

　　具體到醫學領域，醫學圖像也成為臨床疾病診斷不可缺少的最重要的手段之一。隨著醫學圖像數量的急劇增長，醫學工作者和相關科研人員如何從眾多的圖像中快速、準確地找到所需要的圖像成為亟待解決的重點和難點問題。

　　一、課題研究簡述

　　基于內容的圖像檢索，簡單說就是通過圖像特征的比對，檢索到特征相同或者相似的圖像。圖像特征是指圖像的原始特征或屬性。

　　在醫學圖像檢索過程中，根據不同的應用選取合適的查詢機制，第一，在查詢接口用戶根據病灶特征描述、病理描述、姓名、病歷編號等文本信息進行查詢，屬于基于文本的檢索;第二，可以直接根據示例圖像進行查詢，屬于基于內容的檢索。在根據示例圖像進行查詢時，對查詢接口傳來的查詢請求轉化為對圖像內容的描述，即對圖像進行特征分析和提取(顏色，紋理，形狀，空間等底層特征)。

　　在本系統中，用戶通過窗口界面，錄入病歷文本信息到病例庫，上傳圖像信息�？梢酝ㄟ^病歷的文本信息：病歷編號對病歷進行文本檢索。上傳圖像后，系統提取圖像的紋理特征，與特征庫中的特征進行相似匹配，檢索出紋理特征相同或者形似度高的紋理特征，再到圖像庫中找到相應圖像。這部分屬于基于內容的圖像檢索技術。文本檢索是我們應用嫻熟、且檢索速度很好的檢索方式，盡可能的使用文本檢索可以很大程度上提高系統的工作效率。因此，本系統也采用了文本檢索方法處理文本信息。

　　本課題研究重點是基于內容的圖像檢索，主要工作是：對圖像進行預處理，使我們能更好的提取圖像的灰度層，提取特征值，進行特征值的相似匹配。

　　二、醫學圖像檢索系統的基本框架

　　將該框架的4個功能模塊：用戶查詢與人機交互模塊、內容分析與提取模塊、相似性度量與索引模塊和數據存儲模塊。

　　三、紋理特征提取的方法——灰度共生矩陣

　　由于紋理是由灰度分布在空間位置上反復出現而形成的，因而在圖像空間中相隔某距離的兩象素之間會存在一定的灰度關系，即圖像中灰度的空間相關特性�；叶裙采仃嚲褪且环N通過研究灰度的空間相關特性來描述紋理的常用方法。灰度共生矩陣是對圖像上保持某距離的兩象素分別具有某灰度的狀況進行統計得到的。

　　取圖像(N×N)中任意一點 (x，y)及偏離它的另一點 (x+a，y+b)，設該點對的灰度值為 (g1，g2)。令點(x，y) 在整個畫面上移動，則會得到各種 (g1，g2)值，設灰度值的級數為 k，則(g1，g2) 的組合共有 k 的平方種。對于整個畫面，統計出每一種 (g1，g2)值出現的次數，然后排列成一個方陣，再用(g1，g2) 出現的總次數將它們歸一化為出現的概率P(g1，g2) ，這樣的方陣稱為灰度共生矩陣。距離差分值(a，b) 取不同的數值組合，可以得到不同情況下的聯合概率矩陣。(a，b) 取值要根據紋理周期分布的特性來選擇，對于較細的紋理，選取(1，0)、(1，1)、(2，0)等小的差分值。

　　當 a=1，b=0時，像素對是水平的，即0度掃描;當a=0，b=1 時，像素對是垂直的，即90度掃描;當 a=1，b=1時，像素對是右對角線的，即45度掃描;當 a=-1，b=1時，像素對是左對角線，即135度掃描。

　　這樣，兩個象素灰度級同時發生的概率，就將 (x，y)的空間坐標轉化為“灰度對” (g1，g2)的描述，形成了灰度共生矩陣。

　　(1)能量

　　如果灰度共生矩陣中的值集中在某一塊(比如對連續灰度值圖像，值集中在對角線;對結構化的圖像，值集中在偏離對角線的位置)，則ASM有較大值，若G中的值分布較均勻(如噪聲嚴重的圖像)，則ASM有較小的值。

　　能量：反映了圖像灰度分布均勻程度和紋理粗細度。粗紋理越多則圖像能量值越大，反之則越小。

　　(2)熵

　　若灰度共生矩陣值分布均勻，也即圖像近于隨機或噪聲很大，熵會有較大值。

　　熵：反映了圖像中紋理的非均勻程度或復雜程度，是對圖像中信息量多少的一種度量。圖像中紋理量越多，熵越大，反之則越小。

　　(3)相關性

　　相關性：是對圖像局部灰度值的相關性的一種度量，反映了紋理的一致性。

　　(4)慣性矩

　　如果偏離對角線的元素有較大值，即圖像亮度值變化很快，則CON會有較大取值，這也符合對比度的定義。

　　慣性矩：反映了圖像的清晰程度和紋理溝紋深淺的程度。紋理越深，慣性矩值越大，反之則越小。

　　(5)局部平穩性

　　局部平穩性：反映圖像紋理的同質性，度量圖像紋理局部變化的多少。局部平穩的值大則說明圖像紋理的不同區域間缺少變化，局部均勻。最后，可以用一個向量將以上特征綜合在一起。綜合后的向量就可以看做是對圖像紋理的一種描述，可以進一步用來分類、識別、檢索等。

　　利用灰度共生矩陣提取圖像紋理特征的流程是：在對圖像進行預處理后，提取圖像的灰度層，考慮到計算效率及醫學圖像的紋理特征，選定灰度級為8。距離為5，從0°,45°,90°,135°四個方向構造8*8的灰度共生矩陣。灰度層共生矩陣就是描述在掃描方向(0°,45°,90°,135°方向)上，相隔5像元的一對像元，分別具有灰度層i和j的出現概率。通過灰度共生矩陣得到圖像的特征值：能量，熵，慣性矩，相關性，局部穩定性。在四個方向上分別得到5個特征的四種值，將它們綜合為一個向量，這個向量可以看作是對圖像紋理的一種描述，可以進一步用來分類、識別、檢索等。

　　圖像特征值的相似度比較

　　1、借助OpenCV工具包編程實現馬氏距離;

　　2、編程實現待檢索圖像和數據庫中的圖像的相似性度量;

　　3、編程實現待檢索圖像與數據庫中最相似的6幅圖像按相似程度排序，并顯示出最相似的6幅圖像。

　　四、實驗分析

　　單純采用灰度共生矩陣提取圖像紋理特征的方法進行檢索，如下情況：

　　第一幅圖像作為示例，檢索結果中會出現第二、三幅圖像，因為三幅圖像的灰度共生矩陣提取特征值很相近。系統利用了檢索過濾技術，首先能減少系統計算量，同時也能避免部分干擾結果(類似第二幅圖像)。這樣做提高了一定的檢索效率，但仍可能出現類似第三幅圖像的干擾結果。

　　參考文獻

　　[1] 王海霞.基于紋理特征的圖像檢索技術研究[D].碩士論文.燕山大學.(2006)

　　[2] 董衛軍，周明全，耿國華.基于紋理形狀特征的圖像檢索技術[J].計算機工程與應用，2004，(24)：9-11

【基于灰度共生矩陣提取紋理特征的醫學圖像檢索技術的研究與應用】相關文章：

圖像紋理特征的分析方法研究03-07