杨思燕

摘 要：文中根据无线胶囊内窥镜WCE图像出血样本和非出血样本特征的分析，提出基于双色彩空间相结合的WCE图像出血检测算法。算法综合考虑不同类型的WCE图像在RGB和HSV色彩空间中的特点，首先将WCE图像在RGB和HSV色彩空间中的三通道色彩信息综合为单通道色彩信息，然后分别计算综合后的单通道色彩信息的一阶颜色矩、二阶颜色矩、二阶中心矩以及三阶颜色矩四个特征量，最后将每张WCE图像的8个特征量组成一个一维的特征向量，并利用SVM对WCE图像是否出血进行分类。实验结果表明，文中提出算法在算法敏感性、特异性和准确性上都具有更好的性能。

关键词：无线胶囊内窥镜;出血检测;色彩空间;色彩特征量;SVM;特征分析

中图分类号：TP391文献标识码：A文章编号：2095-1302（2020）10-00-04

0 引 言

胃腸道是人体消化器官的重要组成部分之一。肠道疾病的前兆症状一般是消化道出血，该症状是临床上与消化道相关的常见症状[1]。无线胶囊内窥镜（Wireless Capsule Endoscopy，WCE）是检测肠道疾病的有力手段[2-3]，它可用于检测肠道壁出血症状。然而利用WCE进行消化道检测产生的大量图像结果中只有很少的出血图像，使得以传统人工观察方式进行WCE出血样本的筛选费时费力。在WCE图像中可能存在部分与其他不正常区域在颜色和形状上有较大相似性的出血区域，这些区域在人工检测过程中，由于不同医护人员的主观评判不同，容易被忽略，一旦误诊将产生严重的后果。

随着WCE的推广，国内外临床已经应用了很多相关的出血检测方法[4]。Given Imaging公司研制的胶囊内镜系统附带了一款出血特征自动检测软件（Suspected Blood Indicator，SBI），但是其精度仍远不能够代替人眼识别，实验数据表明其灵敏度与特异度[5]分别低于72%和85%。Phooi和Paulo用设定阈值的方法对消化道图像进行识别[6]，然而需要经过大量实验来确定阈值的取值，复杂度高，精确度较低。Mackiewicz等人提出了一种基于颜色直方图的出血检测方法[7]，该方法的检测准确率有了很大提高，但算法复杂度较高，运行速度慢，检测效率较低。Fu等人设计了一种基于超像素分割的自动出血检测机制[8]，但该方法计算处理复杂度较高。文献[9]提出了一种基于正交空间变换方式提取特征的方法[9]，该方法使用了HSI色彩空间，利用色调和饱和度构造的切比雪夫离散矩阵作为图像特征，并搭建多层感知机作为分类器，最后利用机器学习的方法对图像特征进行分类。但该算法利用的特征信息较单一，仅仅考虑了HSI空间色彩信息。Sainju等人于2013年提出了基于色彩信息及其直方图属性进行出血检测的算法[10]。

针对现有的WCE出血图像检测方法存在的诸多问题，本文提出了一种基于RGB和HSV结合色彩空间的WCE图像出血检测算法，对WCE图像中出血样本和非出血样本在RGB和HSV色彩空间中的特点进行结合比对分析，能够准确地区分出血样本与非出血样本。该研究成果能够更高效、更精确地辅助医疗人员进行消化道出血检测诊断，降低医疗成本。

1 WCE图像中出血样本和非出血样本特征分析

为能够准确地对WCE图像是否存在出血情况进行判断，首先需要分析两类图像之间的差异。图1和图2分别显示了WCE图像的非出血图像和出血图像。从图像中可以看出，两类图像在色调上存在较大差异，出血图像的整体色彩偏红。

通过分别统计出血和非出血的各100幅图像的RGB和HSV色彩空间各通道的分布情况，分析不同类型图像在2个色彩空间中所体现的特征，如图3所示。

根据图3中出血和非出血WCE图像在RGB和HSV色彩空间中的色彩分析可知：出血图像和非出血图像的像素在R通道的分布具有较为明显的区别，并且出血图像在R通道灰度值较大;但在G通道和B通道中像素的灰度分布情况差异较小，有较多重叠的地方。另一方面，出血图像在H通道和V通道与非出血图像像素灰度统计差异较大，而在S通道非常相似。这些特点可以为后期色彩通道的转换提供依据。

2 WCE图像色彩特征提取

通过上述对WCE图像在RGB与HSV色彩空间中各通道均值的统计和分析，可以推测出在一般情况下，WCE出血图像和非出血图像在R通道与H通道的统计数据在区分两类图像时具有更好的区别能力，而G，B，S和V这4个通道的统计数据区分能力相对较弱。据此，我们根据RGB和HSV色彩空间各通道对WCE图像的区分能力，分别给

2个色彩空间的各通道赋以相应的权值，将三通道的色彩空间转换为单通道，以降低后期色彩特征提取的维度。转换公式如式（1）和式（2）所示：

式中：LRGB和LHSV分别为RGB和HSV色彩空间转换后的单通道色彩信息;?RGB，βRGB和γRGB是RGB色彩空间中各通道的权值;?HSV，βHSV和γHSV是HSV色彩空间中各通道的权值。根据实验分析，本文中[?RGB βRGB γRGB]=[0.5 0.3 0.2]，[?HSV βHSV γHSV]=[0.6 0.1 0.3]。

基于转换后的2个单通道色彩信息（LRGB和LHSV），分别提取其色彩特征量。其中颜色矩是一种简单有效的颜色特征表示方式，具有旋转不变性、平移不变性和缩放不变性。由于颜色主要分布在低阶矩，因此一般用一阶矩（均值），二阶矩（标准差）和三阶矩（偏度）表示颜色分布[11]。

每张WCE图像在LRGB和LHSV下分别计算一阶颜色矩、二阶颜色矩、二阶中心矩以及三阶颜色矩，共8个色彩统计量，构成每张图像的8维特征向量，作为后期出血图像检测的特征依据。

3 WCE图像中出血图像的检测

支持向量机SVM（Support Vector Machines）是Vapnike等人在20世纪90年代初建立的一种新型学习机器[12-13]。SVM以解决小样本机器学习问题为目标，根据有限的样本信息在模型复杂度和学习能力之间寻求最佳折中，获得最好的推广能力。与传统方法相比，SVM能够有效避免过学习、欠学习、维数灾难以及陷入局部极小值等问题，在分类和模式识别等方面取得了很好的效果。因此，本文在提取WCE图像的色彩特征后，利用基于高斯核函数的SVM算法对WCE图像进行出血检测。

4 实验结果及分析

本实验的测试数据采用金山OMOM?无线内镜胶囊拍摄的图像，由于WCE出血图像所占的比例较小，大约占总图像数量的30%。因此，本实验在选取实验图像时，去除掉模糊不清难以辨别的图像之后，选取1 000张出血图像和2 000张非出血图像作为实验数据。

本次实验的训练集选择所有样本集中50%的样本，剩余50%作为测试样本。计算每张图像LRGB和LHSV的一阶颜色矩、二阶颜色矩、二阶中心矩以及三阶颜色矩，得到8个统计量数据组合成一个8维特征向量，并且对特征向量进行归一化处理。本实验中的标签用0/1表示，1为出血图像，0为非出血图像。

由数据可知，LRGB和LHSV相结合比单独使用LRGB或LHSV的效果好，并且在3个评价指标上具有明显提升。为更好地评价本文提出方法的有效性，采用十折交叉验证法，将10次结果的均值作为对算法性能的估计。此外，将本文算法与现存的几种方法作比较，主要包括文献[7]、文献[8]、文献[9]和文献[10]中的方法。文献[7]采用色彩直方图方法进行出血检查，文献[8]基于超像素分割进行自动出血检测，文献[9]采用将H和S结合的特征向量来提取图像的颜色特征，文献[10]在RGB空间中提取3个通道的一阶直方图的统计特征量进行分类。所有方法的测试效果见表2所列。由表中数据可以看出，本文算法在敏感性、特异性和准确率方面均明显优于传统算法。不同算法在Sensitivity方面的比较如图5所示，不同算法在Specificity方面的比较如图6所示，不同算法在Accuracy方面的比较如图7所示。

5 结 语

本文提出了一种有效的WCE图像出血检测算法，该算法相对于其他现有算法在算法敏感性、特异性和准确性上都具有更好的性能。

参考文献

[1]燕雪萍，刘洪英，皮喜田，等.基于颜色识别的肠道出血诊疗微系统设计[J].传感器与微系统，2011，30（11）：92-95.

[2]付国强，梅涛，孔德义，等.无线微型机器人肠道内窥镜系统中图像采集与无线传输子系统的设计[J].光学精密工程，2002，10（6）：614-618.

[3]皮喜田，王刚，魏亢，等.基于颜色传感器的肠道出血检测胶囊系统[J].传感器与微系统，2010，29（11）：113-116.

[4]郑小林，常婧，廖彦剑，等.硅微通道红细胞变形性测量系统的实用化研究[J].传感器与微系统，2009，28（7）：117-120.

[5] LIANGPUNSAKUL S，MAYS L，REX D K. Performance of given suspected blood indicator [J]. The American journal of gastroenterology，2003，98（12）：2676-2678.

[6] LAU P Y，CORREIA P L. Detection of bleeding patterns in WCE video using multiple features [C]// Engineering in Medicine and Biology Society，2007. EMBS 2007. 29th Annual International Conference of the IEEE. IEEE，2007：5601-5604.

[7] MACKIEWICZ M，FISHER M，JAMIESON C. Bleeding detection in wireless capsule endoscopy using adaptive colour histogram model and support vector classification [J]. Proceedings of SPIE on medical imaging，2008，22（1）：41-56.

[8] FU Y，ZHANG W，MANDAL M，et al. Computer-aided bleeding detection in wce video [J]. IEEE journal of biomedical and health informatics，2008，18（2）：636-642.

[9] LI B，MENG Q H . Computer based detection of bleeding and ulcer in wireless capsule endoscopy images by chromaticity moments [J]. Computers in biology and medicine，2009，39（2）：141-147.

[10] SAINJU S，BUI F M，WAHID K. Bleeding Detection in Wireless Capsule Endoscopy based on color features from histogram probability [C]// IEEE Canadian Conference on Electrical & Computer Engineering，2013（8）：1-4.

[11]王志瑞，潤彩良.图像特征提取方法的综述[J].吉首大学学报（自然科学版），2011，32（5）：43-47.

[12]王震宇，梁雪春.基于CFOA的混合核SVM参数优化[J].计算机工程与设计，2016，37（3）：773-777.

[13]吕艳阳，相洁.基于SVM的fMRI数据分类及MCI诊断应用[J].计算机工程与设计，2013，34（9）：3313-3317.