本发明涉及一种内窥镜图像处理方法，具体涉及一种胶囊内窥镜图像目标区域识别方法。
背景技术：
随着计算机图像处理技术的日益发展，对图像的处理及分析已经不再仅限于依赖人眼的观察。在医疗领域，相应的计算机辅助筛查变得非常重要。例如，在肠道检测诊断过程中，常使用胶囊内窥镜来检测肠道是否有出血区域。胶囊内窥镜由受检者吞入腹中，并通过食道和胃部，到达肠道，从而拍摄并提供肠道内部的影像。利用胶囊内窥镜进行一次肠道检测可持续8小时，基于每秒采样2幅图像的设置，则一次检测共采集约57600张图像。如仅凭医生肉眼筛查及人工检验，完成一次肠道检测的全部图像阅片及筛查的工作量繁重，效率低，诊断误差率高。
面对海量的图像诊断需求，常使用基于颜色特征空间的阈值分割方法进行图像中的特定目标区域检测，例如图像中的出血区域检测。在实际检测中，待判定图像中所呈现的出血区域形态各异。根据实际情况，病患肠道可能存在大片出血区域，也可能存在极小面积的出血区域。传统方法对小区域出血的判定往往会受到图像背景区域的干扰，使得判定不准确。
本发明旨在提供一种改进的内窥镜图像识别方法，以通过内窥镜图像较准确有效地检测肠道出血区域，辅助医护人员进行诊断。
技术实现要素：
本发明提供一种内窥镜图像识别方法，该方法包括：将原始图像转换至第一颜色空间，并提取该原始图像在第一颜色空间的第一颜色通道的图像；将该原始图像转换至第二颜色空间，并提取所述原始图像在所述第二颜色空间的第二颜色通道的图像。将所述第一颜色通道的图像与所述第二颜色通道的图像加权归一，生成强化目标区域的归一化概率图。基于所述归一化概率图获得图像邻间区域概率分布相似度；基于所述邻间区域概率分布相似度获得目标区域提取阈值；及基于所述目标区域提取阈值识别目标区域。
与现有技术相比，本发明的方法图像处理效率较高，可以有效检测较小区域出血症状。本发明的方法可适用于待检测区域与背景区域有较大差异的图像特定区域提取，计算量小，步骤，适于不同环境下的应用。
附图简要说明
图1是根据本发明一个实施例的内窥镜图像识别方法的流程图。详细描述
可以理解的是，除了所描述的示例实施例之外，如本文附图中一般描述和示出的实施例的组件可以以各种不同的配置来布置和设计。因此，如结合附图所表示的示例实施例的以下更详细描述并非旨在限制所要求保护的实施例的范围，而仅仅是示例实施例的代表。
本说明书中对“一个实施例”、“另一个实施例”或“实施例”(或类似描述)的引用意味着结合该实施例描述的特定特征、结构或特性包括在至少一个实施例中。因此，贯穿本说明书在各个地方出现的短语“在一个实施例中”或“在实施例中”等不一定都指代相同的实施例。
此外，所描述的特征、结构或特性可以在一个或多个实施例中以任何合适的方式组合。在以下描述中，提供了许多具体细节以给出对实施例的透彻理解。相关领域的技术人员将认识到，在没有一个或多个具体细节的情况下，或在其他方法、组件、材料等的情况下，可以实践各种实施例。即在其他情况下，一些或所有已知的结构、材料或操作可以未被详细显示或描述以避免混淆。
下面结合附图描述本发明。图1为根据本发明一个实施例的内窥镜图像识别方法的示意图，例如基于内窥镜图像的肠道出血区域检测方法。如图1所示，根据本实施例的内窥镜图像识别方法100包括以下步骤：
步骤110：采集原始图像。其中，步骤110包括使用图像采集仪器，对待检目标进行图像采集。例如，在用于肠道检测的医疗领域，步骤110包括使用胶囊内窥镜等图像采集仪器对受检对象的肠道进行图像采集。
步骤122：将采集的原始图像转换至第一颜色空间，例如lab颜色空间。具体地，步骤122包括在图像处理系统中输入原始图像，经过图像处理后，输出lab颜色空间的图像。
步骤124：提取lab颜色空间的第一颜色通道的图像，例如lab颜色空间的a通道图像。具体地，步骤124包括在图像处理系统中输入lab颜色空间的图像，经过图像处理后，从图像处理系统输出lab颜色空间的a通道的图像。
步骤132：将采集的原始图像转换至第二颜色空间，例如cmyk颜色空间。具体地，步骤132包括在图像处理系统中输入原始图像，经过图像处理后，从图像处理系统输出cmyk颜色空间的图像。
步骤134：提取cmyk颜色空间的第二颜色通道图像，例如m通道的图像。具体地，步骤134包括在图像处理系统中输入cmyk颜色空间的图像，经过图像处理后，从图像处理系统输出cmyk颜色空间的m通道的图像。
步骤140：将lab颜色空间的a通道的图像与cmyk颜色空间的m通道的图像加权归一，生成归一化概率图。例如，假定a(x)为lab颜色空间a通道(lab-a)像素x处对应的值，m(x)为cmyk颜色空间m通道(cmyk-m)像素x处对应的值，首先将两幅图像分别作归一化处理，然后按照以下公式进行加权求和：
f(x)＝wa(x) (1-w)m(x)(1)
其中f(x)为归一化概率图中像素x处对应的值。w为预设权重，0<w<1。
在本实施例中，lab颜色空间的a通道的图像与cmyk颜色空间的m通道的图像按照0.5比0.5的权重进行加权归一，生成归一化概率图。本技术领域人员可以理解，还可以使用其它权重进行加权归一。例如，lab颜色空间的a通道的图像与cmyk颜色空间的m通道的图像按照0.4比0.6的权重进行加权归一。可替代地，lab颜色空间的a通道的图像与cmyk颜色空间的m通道的图像按照0.3比0.7的权重进行加权归一，等等。
步骤150：基于归一化概率图获得图像邻间区域概率分布相似度。
步骤160：基于图像邻间区域概率分布相似度，获得目标区域最优提取阈值，例如图像中显示出血区域的最优提取阈值。
步骤170：基于目标区域最优提取阈值判定目标区域，例如基于出血区域最优提取阈值判定出血区域。具体地，步骤170包括：归一化概率图中大于最优提取阈值的区域被判定为出血区域。
根据一个优选方案，步骤150基于归一化概率图获得图像邻间区域概率分布相似度，包括利用选定的多个阈值参数对所述归一化概率图进行区域生长阈值分割，以获得图像邻间区域概率分布相似度。
根据一个优选方案，步骤150基于归一化概率图获得图像邻间区域概率分布相似度，利用选定的多个阈值参数对所述归一化概率图进行区域生长阈值分割，进一步包括按照以下公式获得邻间区域概率分布相似度：
其中pn、pn-1分别表示第n个和第n-1个阈值，阈值集合为p＝{p1,p2,…,pn-1,pn,…,pn}，每个阈值均在0到1范围内，且阈值的值依次递减，即p1>p2,>…,>pn-1>pn>…,>pn。h(pn,i)表示以pn为分割阈值获取的图像区域对应的概率直方图中第i个通道的值，
在本优选方案中,n、p1和pn分别被设定为5，prm-0.1和prm-0.3，其中prm表示当前归一化概率图中的所有像素位置中的最大值，p1和pn之间的各阈值等间隔分布；本优选方案中m被设定为20。
本领域技术人员可以理解，本优选方案中设定的各个参数值(如对n、p1和pn和m的设定)只是示例性的。本领域技术人员可以根据实际需求，对参数值进行适当地调整。
根据一个优选方案，步骤160基于图像邻间区域概率分布相似度，获得目标区域最优提取阈值，包括以下步骤：
如果邻间区域概率分布相似度s2小于阈值t0，则p2被选定为最优提取阈值；
如果邻间区域概率分布相似度s2大于等于预设阈值t0，则继续查看后续邻间区域概率分布相似度，若sk>sk-1或两者之间差值的绝对值大于第一阈值t1，则pk被选定为最优提取阈值；
如果以上条件均未满足，阈值pn被选定为最优提取阈值。本实施例中t0和t1分别被设定为0.4和0.07。
本领域技术人员可以理解地是，本优选方案中设定的各个参数值(如对t0和t1的设定)只是示例性的。本领域技术人员可以根据实际需求，对参数值进行适当地调整。
如本文所引述，除非另有明确说明，否则单数“一”和“一个”可以解释为包括复数“一个或多个”。
已经出于说明和描述的目的呈现了本发明，但是并非旨在穷举或限制。许多修改和变化对于本领域普通技术人员来说是清楚易懂的。已经选择和描述了示例实施例以便解释原理和实际应用，并且使得本领域普通技术人员能够理解本公开的各种实施例具有适合于预期的特定用途的各种修改。
因此，尽管这里已经参考附图描述了说明性示例实施例，但是应该理解，该描述不是限制性的，因此，本领域普通技术人员可以在不脱离本公开的范围及所提供的技术方案的情况下实现各种改变、修改、替换或重组。
1.一种内窥镜图像识别方法，其特征在于，所述方法包括：
将原始图像转换至第一颜色空间；
提取所述原始图像在所述第一颜色空间的第一颜色通道的图像；
将所述原始图像转换至第二颜色空间；
提取所述原始图像在所述第二颜色空间的第二颜色通道的图像；
将所述第一颜色通道的图像与所述第二颜色通道的图像加权归一，生成强化目标区域归一化概率图；
基于所述归一化概率图像获得图像邻间区域概率分布相似度；
基于所述邻间区域概率分布相似度获得目标区域最优提取阈值；
基于所述目标区域提取阈值识别目标区域。
2.根据权利要求1所述的方法，其特征在于，所述基于所述归一化概率图像获得图像邻间区域概率分布相似度，包括：利用选定的多个阈值参数对所述归一化概率图进行区域生长阈值分割，以获得图像邻间区域概率分布相似度。
3.根据权利要求2所述的方法，其特征在于，所述利用选定的多个阈值参数对所述归一化概率图进行区域生长阈值分割以获得图像邻间区域概率分布相似度，包括基于如下公式获得邻间区域概率分布相似度：
其中，
sn为邻间区域概率分布相似度，pn、pn-1分别表示第n个和第n-1个阈值，假定阈值集合为p＝{p1,p2,…,pn-1,pn,…,pn}，每个阈值均在0到1范围内，且阈值的值依次递减，即p1>p2,>…,>pn-1>pn>…,>pn。h(pn,i)表示以pn为分割阈值获取的图像区域对应的概率直方图中第i个通道的值：
其中，|·|表示计算集合中元素总数，rn为以pn为分割阈值获取的像素点集合：
rn＝{x|pr(x)＞pn}
其中x为图像中的像素点，pr(x)表示步骤(2)中获取的归一化概率图中像素点x处的值，表达式h(pn,i)中的xn,i限定为：
xn,i＝{x|x∈rn,i·s＞pr(x)＞(i-1)s}
其中s为计算概率直方图时设定的直方图各通道宽度，s＝1/m。
4.根据权利要求3所述的方法，其特征在于，所述基于所述邻间区域概率分布相似度获得目标区域提取阈值包括，如果s2小于阈值t0，则选定p2为最优提取阈值；如果s2大于或等于阈值t0，则继续查看后续邻间区域概率分布相似度，如果sk>sk-1或两者之间差值的绝对值大于t1，则选定pk为最优提取阈值；如果以上条件均未满足，则选定pn为最优提取阈值。
技术总结