邬志强，李大辉

（齐齐哈尔大学 1. 理学院，2. 计算机与控制工程学院，黑龙江 齐齐哈尔 161006）

肋骨皮质纹理特征提取分类算法设计

邬志强1，李大辉2

（齐齐哈尔大学 1. 理学院，2. 计算机与控制工程学院，黑龙江 齐齐哈尔 161006）

肋骨的皮质纹理特征是判断骨折的重要依据．提出了肋骨皮质纹理特征提取与分类算法，利用Canny算子图像进行预处理，利用Gabor小波实现纹理特征提取，利用KPCA完成降维和分类．实验结果表明，该算法得到的肋骨纹理特征提取与分类，提高了肋骨骨折的诊断率．

纹理特征分类；医学图像；Canny算子；Gabor小波；KPCA

临床实践中发现，在胸部损伤中肋骨骨折发生率约为40%～60%.因此，对骨折程度与发生骨折的部位进行正确定位与分析在医生对患者的诊断与治疗中具有重要意义.对于非常明显的，带有明确的折断部位，即使凭借触摸就能确定的骨折，对于有经验的医生，给出正确的判断都不是问题.但在现实中，往往有一些从表象上看是不完全骨折，复查又发现是完全骨折的漏诊现象，对此，若不能给出正确判断，就会错过最佳治疗时间，造成延误，给患者带来危害.同时还易引起医疗纠纷［1］.

为了能对这类骨折做出准确判断，就要对可能受损肋骨的医学图像进行分析，而纹理特征是图像分析的重要线索.纹理特征作为最显著的视觉特征之一，它不依赖颜色或亮度反映图像中同质现象的视觉特征.纹理特征又包含了物体表面结构组织排列的重要信息，以及与周围环境的联系，所以研究肋骨图像的纹理特征对做出是否骨折的判断至关重要.由于当前肋骨医学图像处理领域这方面还没有现成的算法，因此，本文目的在于利用成熟的图像处理技术，针对肋骨图像的医学特性，提出了一种包括预处理、纹理特征提取及分类的算法，以计算机显示，该算法提高了肋骨纹理特征提取分类的准确率.

1 肋骨纹理的预处理

肋骨X平片一般均含有噪声，噪声的存在对边缘定位会带来很大的影响，具体就是噪声和边缘一样在空间域中影响灰度值的变化，在频域中又都是以高频量存在，区分困难.对此人们进行了大量而有效的研究，最具有代表性的是Hundredth和Marr提出的零交叉边缘检测法，其主张主要有2点：第一是对图像灰度值突变点的定位，他们从函数性质的角度考虑，就是一阶导数取得极大值的点或者二阶导数产生的零交叉的点；第二是边缘增强以弥补丢失的重要边缘信息，方式是基于不同尺度图像边缘的强度的变化，采用一系列不同尺度的算子来得到理想的图像轮廓.

上世纪60年代，Roberts提出基于梯度的边缘检测算法，70年代提出Preterit算子、Kirsch算子和Robinson算子等［2］，这些基于梯度的边缘检测算子虽然已经是成熟算法，但其共同的缺点是对噪声敏感.这也使得该算法处理过的图像没有达到我们想要的效果.于是又陆续出现了基于二阶导数零交叉点定位边缘算法、梯度及局部极大值检测算法.目前，由Canny提出的最佳边缘检测算子，在处理含噪声图像中表现效果不俗，同时又给出了边缘检测算子的性能评价标准.这是当下最理想的图像边缘检测算法，本文正是利用Canny算子良好的抗噪性对肋骨X平片进行边缘检测.

高低阀值的选取方法，首先确定图像的像素总数，设定一个图像像素总数中高阀值存在的比例为H1，在设定的比例H1情况下，结合图像像素总数得出属于高阀值的像素个数.按梯度幅值从小到大的顺序将各梯度幅值对应的像素个数累加，所得个数和稍大于属于高阀值的像素个数即停止，此时的梯度幅值就是我们要得到的高阀值.再设定一个低阀值与高阀值的比例H2，也就是低阀值所占图像像素数与高阀值所占图像像素数的比为H2.重复取高阀值的过程，得出低阀值.

得到的图像边缘效果最好.肋骨X平片预处理后得到的纹理导航图见图1.从图像清晰的轮廓线来看，基本达到了预想的效果.

图1 预处理后的肋骨导航图

2 肋骨皮质纹理提取算法设计

Gabor小波变换以其对图像多方向多尺度的频带分解的技术，成为研究者提取图像纹理特征的主要算法［3］，该算法主要是对滤波器参数的选择.选取一组不同尺度的滤波器，就可以获得图像不同尺度局部特征.设定k表示Gabor小波滤波器的方向数；s表示Gabor小波滤波器的尺度数；UL表示滤波器中心频率的最小值；UH表示滤波器中心频率的最大值；图像像素大小为M×N.

Gabor小波变换提取图像纹理特征的算法，遵循以下步骤来提取肋骨皮质的纹理特征向量［4］：

第一步，输入一幅在预处理过的训练集中选取的肋骨医学X平片导航图像；

第二步，得到初始化UH，UL，s，k等.这里［UL，UH］表示中心频率的范围，s为尺度，k为方向数；

第三步，输入一幅特定肋骨医学X平片导航图像；

第四步，设定尺度数s和方向数k；

第五步，计算Gabor 变换参数σu，σv等

第六步，计算θ，x′，y′等

第七步，输入一幅肋骨医学X平片导航图像；

第八步，扫描图像，计算小波变换后的图像Gmn(x,y)，μsk，δsk其中：

第九步，保存μsk，δsk；

第十步，重新设定s，k转第三步；

第十一步，得到图像的纹理特征向量X.

这是用Gabor小波变换系数的模的平均值μsk和其标准方差δsk，来表示抽取的灰度图像目标的特征向量X.μsk，δsk及小波能量E(s,k)由式（6）～（8）确定［5］.

3 肋骨皮质纹理特征分类算法设计

主成份分析法（Principle Component Analysis，简称PCA），其主要原理是从原始特征组合中提取出一个包含原始数据最大信息量又互不相关的向量组合.其得出代表原始数据主要特征的特征向量的方式是对样本协方差矩阵的求解，解出的特征值对应的特征向量就是要找到的主要成份.

鉴于PCA中选用的线性映射自身属性的限制，研究人员要考虑非线性特征提取的技术［6-7］.于是，采用非线性核函数将原始数据空间映射到更高维的数据空间中（Kernel Principle Component Analysis，简称KPCA），即核主成份分析法就产生了.其在高维空间中进行主成分分析，提取样本的线性特征以及非线性特征，得到的图片特征信息更加准确，其算法的关键是引入了核函数的概念，用核矩阵代替样本协方差矩阵，只需通过核矩阵求取特征值和特征向量，避免了在整个特征空间中求解特征向量.

然而，传统的KPCA分类方法使用累计贡献率选择特征向量达到对特征空间降维的目的.但其对于图像纹理的分类并没有得到预想的效果，在文中Gabor小波变换得到的肋骨导航图的各特征向量，采用文献［6］提出的用该特征向量类内聚集程度和类间离散程度所组成的信息度量来代替传统KPCA中的累积贡献率的方式，比传统的KPCA分类方法在纹理分类中具有更好的效果.其主要是通过信息度量提取核矩阵的n个特征向量，并考虑这n个特征向量与样本类别属性的相似度，选取最有利于分类的特征属性组合，实现了基于改进的KPCA的图像纹理分类.

文中对Gabor小波变换提取的肋骨纹理图像的特征向量，分别用传统的KPCA与改进的KPCA算法分别进行了分类比较.

4 实验结果与分析

硬件设备：Intel CPU Core i5 2.60GHz + 4G内存.

软件环境：WinXP MATLAB7.0.

本文实验在WinXP系统下使用MATLAB7.0软件实现，取定的样本肋骨X平片，大小为512×512像素，共254张构成的医学图像库.内有正常的肋骨X平片127幅，含有病灶的肋骨X平片127幅.对经过前文边缘检测算法Canny实验中预处理后得到的254张肋骨纹理导航图，经Gabor小波对肋骨皮质纹理特征进行提取.从正常X平片与含病灶X平片的导航图中各取60幅，即总计120幅作为训练集.将总数集剩下的134幅平片图像作为测试集.

4.1 KPCA的仿真

实验中，使用高斯径向基函数（RBF）作为核函数，选取出前3个特征向量组成三维空间以便观察每个样本在三维空间的分布情况.分类准确率变化效果见图2.

传统KPCA特征提取方法所选择的特征向量的个数n≤4时，分类时准确率过高.图中取n≥4时的维数显示.

4.2 改进算法的仿真

传统与改进的KPCA算法准确率曲线结果见图3.由图3可以看出，KPCA的分类准确率为91.53%，而改进的KPCA分类准确率为95.24%.实验表明，肋骨X平片经Canny算子预处理，Gabor小波特征提取，KPCA与改进的KPCA分类，这一组合算法对图像纹理的分类准确率都比以往算法有了极大提高.

图2 KPCA方法准确率变化曲线

图3 准确率变化曲线对比

5 结束语

当前肋骨医学图像处理领域这方面还没有现成的算法，因此，本文目的在于利用成熟的图像处理技术，针对肋骨图像的医学特性，在对肋骨纹理特征算法中特征提取技术进行了分析的基础上，提出了一套肋骨图像纹理分析的流程.即运用Canny边缘检测算子对图像进行轮廓提取，再用Gabor小波变换进行图像纹理特征提取，最后借用KPCA降维的优越性对图像纹理特征进行了分类.得出了一种包括预处理、纹理特征提取及分类的算法，以计算机显示，该算法能做到提高肋骨纹理特征提取分类的准确率.当然，也应当看到Gabor小波变换在取不同的尺度数与方向数时，提取的特征向量差异是很大的，这无疑会对分类的准确率有重要影响.

［1］ 范彥伟.肋骨骨折X线平片的漏诊分析［J］.中国卫生标准管理，2015，5（27）：150-151

［2］ 王植，贺赛先.一种基于Canny理论的自适应边缘检测方法［J］.中国图像图形学报，2004，9（8）：125

［3］ Chou chia-te，Shi sheng-wen.Design of Gabor Filter Banks for Iris Recognition［C］//Proc.of the 2ndInternational Conference on Intelligent Information Hiding and Multimedia Sign Processing Pasadena.California，USA：［s n］，2006：403-406

［4］ Michael Diaz.Wavelet Features for Color Image Classification ［G］//Imaging and Geospatial Information Society.2000 Annual Conference，Orlando.2000

［5］ 王凯.基于图像纹理特征提取算法的研究及应用［M］.成都：西南交通大学，2013

［6］ 何新，李大辉，付军.特征提取算法KPCA的改进与设计［J］.高师理科学刊，2015，35（6）：34-37

［7］ Aravazhagan S，Ganesan L.Texture Classification Using Wavelet Transform Internet［J］.Pattern Recognition Lett，2003，24（10）：1513-1521

Design of texture feature extraction and classification algorithm for rib cortex

WU Zhi-qiang1，LI Da-hui2
（1. School of Science，2. School of Computer and Control Engineering，Qiqihar University，Qiqihar 1610006，China）

The texture feature of rib X-ray is important basis for fracture judgment.An algorithm is presented for the ribs texture feature extraction and classification.Utilize Canny operator to process rib X-ray.Use the Gabor wavelet to realize the texture feature extraction and KPCA to complete the reduction dimension and classification.The experimental results is shown the texture feature extraction and classification of the algorithm will improve the diagnostic rate of rib fracture.

texture feature；medical image；Canny operator；Gabor wavelet transform；KPCA

TP391

A

10.3969/j.issn.1007-9831.2016.06.010

1007-9831（2016）06-0034-04

2016-04-15

邬志强（1972-），男，黑龙江齐齐哈尔人，讲师，硕士，从事图像分析与处理研究.E-mail：wzqgaoshu@126.com