一种基于特征融合的超声图像自动分类法制造技术

本发明专利技术提供了超声图像分类领域的一种基于特征融合的超声图像自动分类法，包括如下步骤：步骤S10、获取超声图像，对所述超声图像进行预处理并生成标准切面；步骤S20、提取所述标准切面中的图像特征；步骤S30、对所述图像特征进行归一化处理，得到特征向量；步骤S40、基于所述特征向量，利用SVM分类器对所述标准切面进行学习和分类。本发明专利技术的优点在于：极大的提升了超声图像标准切面分类的精度以及效率。

【技术实现步骤摘要】
一种基于特征融合的超声图像自动分类法
本专利技术涉及超声图像分类领域，特别指一种基于特征融合的超声图像自动分类法。
技术介绍
由于B型超声诊断系统具有无创、无辐射、廉价等优点，越来越多的应用于医学诊疗中，如甲状腺、肝脏、前列腺以及腹部等的诊疗中，尤其在甲状腺疾病的诊疗中被广泛应用。医生利用B型超声诊断系统获取超声图像后，需要对超声图像的标准切面进行分类后，有针对性的对主要解剖结构进行检查，这是后期进一步诊断的先决条件。然而，针对超声图像的分类，传统上采用医生进行人工判断分类的方法，费时费力，且由于分类的过程枯燥单调，容易出错。因此，如何提供一种基于特征融合的超声图像自动分类法，实现提升超声图像标准切面分类的精度以及效率，成为一个亟待解决的问题。
技术实现思路
本专利技术要解决的技术问题，在于提供一种基于特征融合的超声图像自动分类法，实现提升超声图像标准切面分类的精度以及效率。本专利技术是这样实现的：一种基于特征融合的超声图像自动分类法，包括如下步骤：步骤S10、获取超声图像，对所述超声图像进行预处理并生成标准切面；步骤S20、提取所述标准切面中的图像特征；步骤S30、对所述图像特征进行归一化处理，得到特征向量；步骤S40、基于所述特征向量，利用SVM分类器对所述标准切面进行学习和分类。进一步地，所述步骤S10具体包括：步骤S11、获取超声图像，利用矩形框选取出所述超声图像的感兴趣区域；步骤S12、将所述感兴趣区域的大小缩放至预设的大小；步骤S13、对缩放至预设大小的所述感兴趣区域进行降噪处理；步骤S14、对降噪处理后的所述感兴趣区域进行锐化处理，进而生成标准切面。进一步地，所述步骤S14中，所述对降噪处理后的所述感兴趣区域进行锐化处理具体为：使用图像锐化算子对降噪处理后的所述感兴趣区域进行锐化处理；其中k1表示的缩放系数，k2表示的缩放系数，λ表示微分计算的基准；f(.)表示图像在该坐标的灰度值。进一步地，所述步骤S20具体包括：步骤S21、利用公式将所述标准切面划分为子块；其中imagei表示所述标准切面的图像区域；i表示所述标准切面的类别，为正整数；j表示所述子块的序号，为正整数；Jj表示所述子块的总数，为正整数；blockij表示所述子块；步骤S22、将各所述子块划分为w×w个不重叠的像素块，其中w为正整数；步骤S23、提取各所述像素块的纹理特征；步骤S24、将各所述纹理特征进行特征融合，得到所述标准切面的图像特征。进一步地，所述步骤S23具体包括：步骤S231、设定像素点f(i,j)为所述像素块的中心点，以所述中心点为圆心，R为半径，随机选取M个像素点，且其中表示M个像素点的平均值；R为正数；M为正整数；fm(i,j)为以所述中心点为圆心的圆内，随机分布的像素点的像素值；m表示以所述中心点为圆心的圆内，随机分布的像素点的序号；步骤S232、将K个采样点均匀分布在正K边形的顶点处，其中K为大于等于3的正整数，各所述采样点到正K边形的中心距离为R；计算所述中心点的差分二值化编码：步骤S233、基于所述差分二值化编码计算改进的局部二值化模式值：其中s(k)表示所述差分二值化编码第k位的取值，且k为正整数,s(k)的取值为0或1；P表示采样点个数；bk表示梯度系数，即第k个采样点对应的梯度系数，为正实数，且bk＝a·G(i,j)；a为正实数，表示缩放系数；其中Gx(i,j)表示水平方向梯度，Gy(i,j)表示垂直方向梯度；d表示基准参数；f(.)表示图像在该坐标的灰度值；其中Kd表示将360°平均分为K份，每份的角度大小；α(i,j)表示梯度的方向，且α(i,j)＝arctan[Gy(i,j)/Gx(i,j)]；步骤S234、对所述改进的局部二值化模式值进行映射，提取各所述像素块的纹理特征：其中s(.)表示差分二值化编码。进一步地，所述步骤S24具体为：将各所述纹理特征的特征向量进行线性组合，再利用主成分分析法降低特征维数，得到所述标准切面的图像特征。进一步地，所述步骤S30具体为：利用公式对所述图像特征进行归一化处理，得到特征向量xi'；其中xi'表示归一化后第i项特征向量，i为正整数；xi表示未经归一化的第i项图像特征；xi'和xi均由E项实数构成，E为正整数；μ表示归一化系数，μ为正实数；表示向量x的二范数，xe为向量x的第e项，e为正整数。本专利技术的优点在于：通过对所述超声图像进行预处理生成标准切面，提取所述标准切面中的图像特征后进行归一化处理，得到特征向量，进而基于所述特征向量，利用SVM分类器对所述标准切面进行学习和分类，相对于传统上医生进行人工判断分类的方法，极大的提升了超声图像标准切面分类的精度以及效率，避免了人为分类造成的失误。附图说明下面参照附图结合实施例对本专利技术作进一步的说明。图1是本专利技术一种基于特征融合的超声图像自动分类法的流程图。具体实施方式请参照图1所示，本专利技术一种基于特征融合的超声图像自动分类法的较佳实施例，包括如下步骤：步骤S10、获取超声图像，对所述超声图像进行预处理并生成标准切面；当所述超声图像为甲状腺的图像时，所述标准切面可分为峡部横切面、峡部纵切面、右甲状腺上极横切面、右甲状腺中下极横切面、右甲状腺纵切面、左甲状腺上极横切面、左甲状腺中下极横切面以及左甲状腺纵切面，共八类标准切面，每一类标准切面都对对应重要的解剖结构，如气管和动脉等；步骤S20、提取所述标准切面中的图像特征；通过提取所述标准切面中的图像特征，而非提取所述超声图像中的图像特征，减少了干扰以及计算量，极大的提升了分类的精度以及效率；步骤S30、对所述图像特征进行归一化处理，得到特征向量；步骤S40、基于所述特征向量，利用SVM分类器对所述标准切面进行学习和分类。所述步骤S10具体包括：步骤S11、获取超声图像，利用矩形框选取出所述超声图像的感兴趣区域；步骤S12、将所述感兴趣区域的大小缩放至预设的大小；步骤S13、对缩放至预设大小的所述感兴趣区域进行降噪处理；降噪处理可采用均值滤波器、自适应维纳滤波器、中值滤波器、形态学噪声滤除器或者小波去噪；步骤S14、对降噪处理后的所述感兴趣区域进行锐化处理，进而生成标准切面。所述步骤S14中，所述对降噪处理后的所述感兴趣区域进行锐化处理具体为：使用图像锐化算子对降噪处理后的所述感兴趣区域进行锐化处理；其中k1表示的缩放系数，k2表示的缩放系数，λ表示微分计算的基准；f(.)表示图像在该坐标的灰度值。所述步骤S20具体包括：步骤S21、利用公式将所述标准切面划分为子块；其中imagei表示所述标准切面的图像区本文档来自技高网...

【技术保护点】
1.一种基于特征融合的超声图像自动分类法，其特征在于：包括如下步骤：/n步骤S10、获取超声图像，对所述超声图像进行预处理并生成标准切面；/n步骤S20、提取所述标准切面中的图像特征；/n步骤S30、对所述图像特征进行归一化处理，得到特征向量；/n步骤S40、基于所述特征向量，利用SVM分类器对所述标准切面进行学习和分类。/n

【技术特征摘要】
1.一种基于特征融合的超声图像自动分类法，其特征在于：包括如下步骤：
步骤S10、获取超声图像，对所述超声图像进行预处理并生成标准切面；
步骤S20、提取所述标准切面中的图像特征；
步骤S30、对所述图像特征进行归一化处理，得到特征向量；
步骤S40、基于所述特征向量，利用SVM分类器对所述标准切面进行学习和分类。


2.如权利要求1所述的一种基于特征融合的超声图像自动分类法，其特征在于：所述步骤S10具体包括：
步骤S11、获取超声图像，利用矩形框选取出所述超声图像的感兴趣区域；
步骤S12、将所述感兴趣区域的大小缩放至预设的大小；
步骤S13、对缩放至预设大小的所述感兴趣区域进行降噪处理；
步骤S14、对降噪处理后的所述感兴趣区域进行锐化处理，进而生成标准切面。


3.如权利要求2所述的一种基于特征融合的超声图像自动分类法，其特征在于：所述步骤S14中，所述对降噪处理后的所述感兴趣区域进行锐化处理具体为：
使用图像锐化算子对降噪处理后的所述感兴趣区域进行锐化处理；
其中k1表示的缩放系数，k2表示的缩放系数，λ表示微分计算的基准；

f(.)表示图像在该坐标的灰度值。


4.如权利要求1所述的一种基于特征融合的超声图像自动分类法，其特征在于：所述步骤S20具体包括：
步骤S21、利用公式将所述标准切面划分为子块；其中imagei表示所述标准切面的图像区域；i表示所述标准切面的类别，为正整数；j表示所述子块的序号，为正整数；Jj表示所述子块的总数，为正整数；blockij表示所述子块；
步骤S22、将各所述子块划分为w×w个不重叠的像素块，其中w为正整数；
步骤S23、提取各所述像素块的纹理特征；
步骤S24、将各所述纹理特征进行特征融合，得到所述标准切面的图像特征。


5.如权利要求4所述的一种基于特征融合的超声图像自动分类法，其特征在于：所述步骤S23具体包括：
步骤S231、设定像素点f(i,j...

【专利技术属性】
技术研发人员：柳培忠，吕国荣，吴奕红，杨艺茹，杜永兆，郭明辉，庄加福，柳垚，
申请(专利权)人：华侨大学，福建医科大学附属第二医院，泉州市华工智能技术有限公司，
类型：发明
国别省市：福建;35