3所示。当地的枸杞多糖的方法和改进
如今纹理分类是一个具有挑战性的问题。它是在计算机视觉研究中一个活跃的话题。早期的纹理分类方法是基于统计分析的图像具有不同的纹理。最具代表性的是同现矩阵法(
23)和过滤纹理分类方法(
24]。在早期阶段,探索性模型是研究开发的旋转不变性纹理分类,如隐马尔可夫模型(
25)和高斯马尔可夫随机场(
26]。Varma和Zisserman
27)提出了学习训练集旋转不变texton和分类根据其texton获得纹理分布。Varma和Zisserman
28)后提出使用图像补丁为了表示直接的特性。最近提议一些作品已经发展为规模以及仿射不变的纹理分类。后来,Ojala et al。
29日)提出了LBP直方图的应用程序为了实现旋转不变纹理分类。值得注意的是,枸杞多糖是有效的在描述当地的图像模式和它的性能在计算机视觉和模式识别是光明的。然而,它仍然需要改善乳房x光检查纹理建模。为了生成texton, Ojala et al。
30.)应用绝对灰度差异(AGLD)每个像素和它的邻国之间。之后,获得的直方图被用来代表了图像纹理。然后,Ojala et al。
29日)提出了枸杞多糖使用不同的符号表示的地方模式。在[
31日],Ojala等人建议使用签署灰度差异(SGLD)及其多维分布的描述纹理和考虑简化SGLD枸杞多糖。这种变异的枸杞多糖,仍然需要回答的问题,比如在考虑代码信息丢失什么?如何表示丢失的信息来获得更好的纹理建模?在这里,我们提出一种新的特征提取器来改善系统性能,基于GLLD特性。
3.1。枸杞多糖的一个简短回顾
八个相邻像素在考虑使用的LBP算子中心灰度值作为阈值。这个操作符生成“1”如果认为邻居值大于或等于的中心。否则,它会产生“0”。
因此,指图
1,枸杞多糖(
29日代码可能是计算如下:
(2)米米l:mtext>
磅米米l:mtext>
P米米l:mtext>
P米米l:mi>
,米米l:mo>
R米米l:mi>
=米米l:mo>
∑米米l:mo>
p米米l:mi>
=米米l:mo>
0米米l:mn>
P米米l:mi>
- - - - - -米米l:mo>
1米米l:mn>
年代米米l:mi>
(米米l:mo>
g米米l:mi>
p米米l:mi>
- - - - - -米米l:mo>
g米米l:mi>
c米米l:mi>
)米米l:mo>
2米米l:mn>
p米米l:mi>
,米米l:mo>
年代米米l:mi>
(米米l:mo>
x米米l:mi>
)米米l:mo>
=米米l:mo>
{米米l:mo>
1米米l:mn>
,米米l:mo>
x米米l:mi>
≥米米l:mo>
0米米l:mn>
0米米l:mn>
,米米l:mo>
x米米l:mi>
<米米l:mo>
0米米l:mn>
,米米l:mo>
在哪里<我nline-formula>
g米米l:mi>
c米米l:mi>
对应于中心像素的灰度值,<我nline-formula>
g米米l:mi>
p米米l:mi>
的值对应于邻国,(<我nline-formula>
p米米l:mi>
=米米l:mo>
0 1米米l:mn>
,米米l:mo>
…米米l:mo>
,米米l:mo>
P米米l:mi>
- - - - - -米米l:mo>
1米米l:mn>
),<我nline-formula>
P米米l:mi>
,<我nline-formula>
R米米l:mi>
对应数量的邻居和社区的半径,分别。然后用一个8位数字表示二进制代码。<我nline-formula>
g米米l:mi>
p米米l:mi>
坐标是(<我nline-formula>
(米米l:mo>
R米米l:mi>
因为米米l:mi>
(米米l:mo>
2米米l:mn>
π米米l:mi>
p米米l:mi>
/米米l:mo>
P米米l:mi>
)米米l:mo>
和<我nline-formula>
R米米l:mi>
罪米米l:mi>
(米米l:mo>
2米米l:mn>
π米米l:mi>
p米米l:mi>
/米米l:mo>
P米米l:mi>
)米米l:mo>
)。如果邻居不在图像网格,其灰度值可能被插值估计。后确定枸杞多糖的每个像素模式<我nline-formula>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
)米米l:mo>
,我们副LBP直方图对整个图像,与给定图像大小(<我nline-formula>
N米米l:mi>
1米米l:mn>
*米米l:mi>
N米米l:mi>
2米米l:mn>
),
(3)米米l:mtext>
H米米l:mi>
枸杞多糖米米l:mtext>
(米米l:mo>
k米米l:mi>
)米米l:mo>
=米米l:mo>
∑米米l:mo>
我米米l:mi>
=米米l:mo>
1米米l:mn>
N米米l:mi>
1米米l:mn>
∑米米l:mo>
j米米l:mi>
=米米l:mo>
1米米l:mn>
N米米l:mi>
2米米l:mn>
f米米l:mi>
(米米l:mo>
磅米米l:mtext>
P米米l:mtext>
P米米l:mi>
,米米l:mo>
R米米l:mi>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
)米米l:mo>
,米米l:mo>
k米米l:mi>
)米米l:mo>
,米米l:mo>
k米米l:mi>
∈米米l:mo>
(米米l:mo>
0米米l:mn>
,米米l:mo>
K米米l:mi>
]米米l:mo>
,米米l:mo>
f米米l:mi>
(米米l:mo>
x米米l:mi>
,米米l:mo>
y米米l:mi>
)米米l:mo>
=米米l:mo>
{米米l:mo>
1米米l:mn>
,米米l:mo>
x米米l:mi>
=米米l:mo>
y米米l:mi>
0米米l:mn>
,米米l:mo>
否则米米l:mtext>
,米米l:mo>
在哪里<我nline-formula>
K米米l:mi>
对应于最大灰度值。
让<我nline-formula>
U米米l:mi>
是一个函数的值对应于一个LBP模式,它被定义为过渡的数量(即。,从0到1或1更改为0)在以下模式:
(4)米米l:mtext>
U米米l:mi>
(米米l:mo>
磅米米l:mtext>
P米米l:mtext>
P米米l:mi>
,米米l:mo>
R米米l:mi>
)米米l:mo>
=米米l:mo>
|米米l:mo>
年代米米l:mi>
(米米l:mo>
g米米l:mi>
p米米l:mi>
- - - - - -米米l:mo>
1米米l:mn>
- - - - - -米米l:mo>
g米米l:mi>
c米米l:mi>
)米米l:mo>
- - - - - -米米l:mo>
年代米米l:mi>
(米米l:mo>
g米米l:mi>
0米米l:mn>
- - - - - -米米l:mo>
g米米l:mi>
c米米l:mi>
)米米l:mo>
|米米l:mo>
+米米l:mo>
∑米米l:mo>
p米米l:mi>
=米米l:mo>
1米米l:mn>
P米米l:mi>
- - - - - -米米l:mo>
1米米l:mn>
|米米l:mo>
年代米米l:mi>
(米米l:mo>
g米米l:mi>
p米米l:mi>
- - - - - -米米l:mo>
g米米l:mi>
c米米l:mi>
)米米l:mo>
- - - - - -米米l:mo>
年代米米l:mi>
(米米l:mo>
g米米l:mi>
p米米l:mi>
- - - - - -米米l:mo>
1米米l:mn>
- - - - - -米米l:mo>
g米米l:mi>
c米米l:mi>
)米米l:mo>
|米米l:mo>
。米米l:mo>
模式对应于有限的转换或不连续<我nline-formula>
U米米l:mi>
≤米米l:mo>
2米米l:mn>
,在一个二进制表示。否则,这些模式指出作为统一的枸杞多糖模式(
29日]。从原始的映射<我nline-formula>
磅米米l:mtext>
P米米l:mtext>
P米米l:mi>
,米米l:mo>
R米米l:mi>
来<我nline-formula>
磅米米l:mtext>
P米米l:mtext>
P米米l:mi>
,米米l:mo>
R米米l:mi>
u米米l:mi>
2米米l:mn>
,知道上标<我nline-formula>
u米米l:mi>
2米米l:mn>
指的是统一的模式,可以实现使用一个查找表,其中包含<我nline-formula>
2米米l:mn>
p米米l:mi>
元素。
当地的旋转不变的模式定义如下(
32]:
(5)米米l:mtext>
磅米米l:mtext>
P米米l:mtext>
P米米l:mi>
,米米l:mo>
R米米l:mi>
riu米米l:mtext>
2米米l:mn>
=米米l:mo>
{米米l:mo>
∑米米l:mo>
p米米l:mi>
=米米l:mo>
0米米l:mn>
P米米l:mi>
- - - - - -米米l:mo>
1米米l:mn>
|米米l:mo>
年代米米l:mi>
(米米l:mo>
g米米l:mi>
p米米l:mi>
- - - - - -米米l:mo>
g米米l:mi>
c米米l:mi>
)米米l:mo>
|米米l:mo>
如果米米l:mtext>
U米米l:mi>
(米米l:mo>
磅米米l:mtext>
P米米l:mtext>
P米米l:mi>
,米米l:mo>
R米米l:mi>
)米米l:mo>
≤米米l:mo>
2米米l:mn>
P米米l:mi>
+米米l:mo>
1米米l:mn>
否则米米l:mtext>
。米米l:mo>
的映射<我nline-formula>
磅米米l:mtext>
P米米l:mtext>
P米米l:mi>
,米米l:mo>
R米米l:mi>
来<我nline-formula>
磅米米l:mtext>
P米米l:mtext>
P米米l:mi>
,米米l:mo>
R米米l:mi>
riu米米l:mtext>
2米米l:mn>
,知道上标<我nline-formula>
riu米米l:mtext>
2米米l:mn>
对应于旋转不变的统一模式,可能使用查找表实现。
3.2。GLLD基于特征的方法
使用枸杞多糖代码的主要限制是它可能会给出相同的结果有两个完全不同的灰色水平的差异时邻居们都是一样的。
知道乳腺图像,灰度信息直接关系到乳腺组织密度、灰度和地方差异的两个重要特征纹理必须一起使用以更准确的结果。
在我们的方法中,我们提出计算平均为每个<我nline-formula>
3米米l:mn>
×米米l:mo>
3米米l:mn>
社区和中央像素属性。中央像素的新值是表示<我nline-formula>
g米米l:mi>
c米米l:mi>
的意思是米米l:mtext>
。
鉴于中央像素的新值<我nline-formula>
g米米l:mi>
c米米l:mi>
的意思是米米l:mtext>
和它的<我nline-formula>
P米米l:mi>
圆对称的邻居(见图
2),减法的价值<我nline-formula>
g米米l:mi>
c米米l:mi>
的意思是米米l:mtext>
提出了如下:
(6)米米l:mtext>
T米米l:mi>
=米米l:mo>
t米米l:mi>
(米米l:mo>
g米米l:mi>
c米米l:mi>
的意思是米米l:mtext>
,米米l:mo>
g米米l:mi>
0米米l:mn>
- - - - - -米米l:mo>
g米米l:mi>
c米米l:mi>
的意思是米米l:mtext>
,米米l:mo>
…米米l:mo>
,米米l:mo>
g米米l:mi>
P米米l:mi>
- - - - - -米米l:mo>
1米米l:mn>
- - - - - -米米l:mo>
g米米l:mi>
c米米l:mi>
的意思是米米l:mtext>
)米米l:mo>
。米米l:mo>
因此,之间的区别<我nline-formula>
g米米l:mi>
c米米l:mi>
的意思是米米l:mtext>
和<我nline-formula>
g米米l:mi>
p米米l:mi>
可以表示为<我nline-formula>
dif米米l:mtext>
f米米l:mtext>
p米米l:mi>
=米米l:mo>
g米米l:mi>
p米米l:mi>
- - - - - -米米l:mo>
g米米l:mi>
c米米l:mi>
的意思是米米l:mtext>
和当地的差异可以用一个向量表示<我nline-formula>
dif米米l:mtext>
f米米l:mtext>
p米米l:mi>
知道<我nline-formula>
dif米米l:mtext>
f米米l:mtext>
p米米l:mi>
=米米l:mo>
(米米l:mo>
dif米米l:mtext>
f米米l:mtext>
0米米l:mn>
,米米l:mo>
…米米l:mo>
,米米l:mo>
dif米米l:mtext>
f米米l:mtext>
P米米l:mi>
- - - - - -米米l:mo>
1米米l:mn>
]米米l:mo>
,<我nline-formula>
dif米米l:mtext>
f米米l:mtext>
p米米l:mi>
在描述当地的图像结构<我nline-formula>
g米米l:mi>
c米米l:mi>
的意思是米米l:mtext>
。因为它的健壮性和效率,得到向量<我nline-formula>
dif米米l:mtext>
f米米l:mtext>
p米米l:mi>
是分解的迹象和模组件以达到更好的纹理分类的性能。在我们的建议,<我nline-formula>
年代米米l:mi>
p米米l:mi>
对应于不同的符号,它是通过阈值的值<我nline-formula>
g米米l:mi>
c米米l:mi>
的意思是米米l:mtext>
表达(
8)。然而,<我nline-formula>
米米米l:mi>
p米米l:mi>
对应的绝对值<我nline-formula>
dif米米l:mtext>
f米米l:mtext>
p米米l:mi>
表达(
9)。我们获得,另外,两个向量,向量迹象<我nline-formula>
(米米l:mo>
年代米米l:mi>
0米米l:mn>
,米米l:mo>
…米米l:mo>
,米米l:mo>
年代米米l:mi>
P米米l:mi>
- - - - - -米米l:mo>
1米米l:mn>
]米米l:mo>
和系数向量<我nline-formula>
(米米l:mo>
米米米l:mi>
0米米l:mn>
,米米l:mo>
…米米l:mo>
,米米l:mo>
米米米l:mi>
P米米l:mi>
- - - - - -米米l:mo>
1米米l:mn>
]米米l:mo>
,
(7)米米l:mtext>
dif米米l:mtext>
f米米l:mtext>
p米米l:mi>
=米米l:mo>
米米米l:mi>
p米米l:mi>
·米米l:mo>
年代米米l:mi>
p米米l:mi>
,米米l:mo>
知道
(8)米米l:mtext>
年代米米l:mi>
p米米l:mi>
=米米l:mo>
{米米l:mo>
1米米l:mn>
,米米l:mo>
dif米米l:mtext>
f米米l:mtext>
p米米l:mi>
≥米米l:mo>
0米米l:mn>
- - - - - -米米l:mo>
1米米l:mn>
,米米l:mo>
dif米米l:mtext>
f米米l:mtext>
p米米l:mi>
<米米l:mo>
0米米l:mn>
,米米l:mo>
(9)米米l:mtext>
米米米l:mi>
p米米l:mi>
=米米l:mo>
|米米l:mo>
dif米米l:mtext>
f米米l:mtext>
p米米l:mi>
|米米l:mo>
。米米l:mo>
图
3显示了该方法的一个说明的例子。针对识别有力和有效的纹理图案,我们应该从像素灰度提取绝对和相对功能水平。
模组件提供了判别信息签署组件;中央像素强度值对应于其邻国的平均值可能也给我们有用的信息
33,
34]。它也将被编码符号,模量,和中央灰度特性添加到旋转不变的二进制代码和融合,结果可能会提供更好的性能在乳房x光检查比使用每一个本身纹理分类。这种融合提供了有用的局部灰度信息非常重要的阶段,在乳房x光片图像质量检测。
3.2.1之上。SGLLD、MGLLD CGLLD运营商
在本节中,我们提出了灰度和地方差异(GLLD)不同处理措施探索提出的三个特性,如图
4。
我们先从乳腺图像中提取不同的roi。之后,在选定的ROI,每个中心灰度对应的意思是邻居和当地的区别。后者是分解为信号和模组件作为表达(
7)。给定一个像素的图像,符号编码组件是指出(SGLLD)和计算通过比较它与邻国的值如下:
(10)米米l:mtext>
SGLL米米l:mtext>
D米米l:mtext>
P米米l:mi>
,米米l:mo>
R米米l:mi>
=米米l:mo>
∑米米l:mo>
p米米l:mi>
=米米l:mo>
0米米l:mn>
P米米l:mi>
- - - - - -米米l:mo>
1米米l:mn>
年代米米l:mi>
(米米l:mo>
g米米l:mi>
p米米l:mi>
- - - - - -米米l:mo>
g米米l:mi>
c米米l:mi>
的意思是米米l:mtext>
)米米l:mo>
2米米l:mn>
p米米l:mi>
,米米l:mo>
在哪里<我nline-formula>
年代米米l:mi>
(米米l:mo>
x米米l:mi>
)米米l:mo>
被定义为
(11)米米l:mtext>
年代米米l:mi>
(米米l:mo>
x米米l:mi>
)米米l:mo>
=米米l:mo>
{米米l:mo>
1米米l:mn>
,米米l:mo>
x米米l:mi>
≥米米l:mo>
0米米l:mn>
- - - - - -米米l:mo>
1米米l:mn>
,米米l:mo>
x米米l:mi>
<米米l:mo>
0米米l:mn>
,米米l:mo>
在哪里<我nline-formula>
g米米l:mi>
c米米l:mi>
的意思是米米l:mtext>
是中央像素的平均值及其邻国。灵感来自编码的方法(SGLLD),组件级的编码是指出(MGLLD)和定义如下:
(12)米米l:mtext>
MGLL米米l:mtext>
D米米l:mtext>
P米米l:mi>
,米米l:mo>
R米米l:mi>
=米米l:mo>
∑米米l:mo>
p米米l:mi>
=米米l:mo>
0米米l:mn>
P米米l:mi>
- - - - - -米米l:mo>
1米米l:mn>
t米米l:mi>
(米米l:mo>
米米米l:mi>
p米米l:mi>
,米米l:mo>
c米米l:mi>
)米米l:mo>
2米米l:mn>
p米米l:mi>
,米米l:mo>
(13)米米l:mtext>
t米米l:mi>
(米米l:mo>
x米米l:mi>
,米米l:mo>
c米米l:mi>
)米米l:mo>
=米米l:mo>
{米米l:mo>
1米米l:mn>
,米米l:mo>
x米米l:mi>
≥米米l:mo>
c米米l:mi>
0米米l:mn>
,米米l:mo>
x米米l:mi>
<米米l:mo>
c米米l:mi>
,米米l:mo>
在哪里<我nline-formula>
c米米l:mi>
对应于一个全球灰度阈值自适应地决定。我们把它从整个图像的平均价值。
中央像素的新值,表示图像的灰度,还代表判别信息。所以,让它与前两个运营商SGLLD和MGLLD一致,我们的代码
(14)米米l:mtext>
CGLL米米l:mtext>
D米米l:mtext>
P米米l:mi>
,米米l:mo>
R米米l:mi>
=米米l:mo>
t米米l:mi>
(米米l:mo>
g米米l:mi>
c米米l:mi>
的意思是米米l:mtext>
,米米l:mo>
c米米l:mi>
我米米l:mi>
)米米l:mo>
,米米l:mo>
在哪里<我nline-formula>
t米米l:mi>
已经定义在(
13),<我nline-formula>
c米米l:mi>
我米米l:mi>
对应的阈值,设置为整个输入图像的平均灰度。CGLLD定义提取图像局部灰度。图
5说明了图像结果后的应用三个运营商和他们的融合。
三获得代码,实现旋转不变量定义的旋转不变的版本是分类。每个代码携带特定的纹理信息,这就是为什么我们将它们构建GLLD特性,它对应于一个向量。所以,获得的三个直方图被连接到一个直方图(cf图
6)。
过程在于使用GLLD为了建立的局部描述符获得roi知道连接导致全球描述和获得全局和本地GLLD纹理描述符,然后,作为质量检测的功能。
下面的图片(图
7为不同的roi)说明获得的直方图。在这个图中,我们已经考虑三个简单的例子,以及三个挑战由放射科医师分类错误的例子。所有的六个ROI例子正确分类由我们GLLD纹理特性。在进一步的部分中,我们将集中在验证我们的方法统计DDSM数据库。
GLLD分布特征提取并连接构成最终的直方图。