欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2018108703287
申请人: 燕山大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种LTP与HOG特征融合的乳腺肿瘤检测方法,其特征在于,包括:获取采集的乳腺肿瘤图像,建立乳腺肿瘤图像训练样本库;

对样本图像进行自适应二值化处理以及二维离散Haar小波变换,得到4个样本子图像;

从所述4个样本子图像中的低频部分子图像提取HOG特征;从水平方向部分子图、垂直方向部分子图像以及对角线方向部分子图像中提取LTP特征;

将提取到的HOG特征与LTP特征进行归一化处理,形成HOG-LTP特征;

建立SVM模型;

将所述样本图像作为输入量,所述HOG-LTP特征作为期望输出量对SVM模型进行样本训练;

对待检测的乳腺肿瘤图像进行自适应二值化处理以及二维离散Haar小波变换,得到4个新的样本子图像;

计算得到待检测的乳腺肿瘤图像的HOG-LTP特征;

将计算得到的HOG-LTP特征输入训练后的SVM模型中,检测输出的乳腺肿瘤图像。

2.根据权利要求1所述的一种LTP与HOG特征融合的乳腺肿瘤检测方法,其特征在于,所述采集乳腺肿瘤图像,建立乳腺肿瘤图像训练样本库,具体包括:获取采集的乳腺肿瘤负样本与正样本比例保持在10:1左右;根据获取的乳腺肿瘤负样本与正样本建立乳腺肿瘤图像训练样本库。

3.根据权利要求1所述的一种LTP与HOG特征融合的乳腺肿瘤检测方法,其特征在于,所述对样本图像进行自适应二值化处理以及二维离散Haar小波变换,得到4个样本子图像,具体包括:对样本图像进行自适应二值化处理后,采用公式:对样本图像进行二维离散Haar小波变换;

Haar小波函数是一个差分函数,可用解析的方法表示为:等效的频域表示为:

其中,WTx(a,τ)是a和τ的函数,a是尺度因子,τ为平移因子,X(ω)、ψ(ω)分别是x(t)、ψ(t)的傅里叶变换,ψ(t)表示做位移τ后的基本小波函数,x(t)表示待分析信号。

4.根据权利要求1所述的一种LTP与HOG特征融合的乳腺肿瘤检测方法,其特征在于,所述从所述4个样本子图像中的低频部分子图像提取HOG特征,从水平方向部分子图、垂直方向部分子图像以及对角线方向部分子图像中提取LTP特征,具体包括:采用公式:

从水平方向部分子图、垂直方向部分子图像以及对角线方向部分子图像中提取LTP特征;

其中,

p为周围邻域像素点个数,会产生3p种模式,gp为第p个邻域像素的灰度值;μ为局部区域像素均值,σ为标准差,Δl为局部纹理反差;

采用公式:

计算局部纹理反差Δl;

其中,sum1为周边像素gp中大于或等于中心像素的灰度值和,n1为个数;sum2为周边像素gp中小于中心像素的灰度值和,n2为个数。

5.根据权利要求1所述的一种LTP与HOG特征融合的乳腺肿瘤检测方法,其特征在于,所述计算得到待检测的乳腺肿瘤图像的HOG-LTP特征,具体包括:采用公式:

F(I)=FHOG(ILL),FELTP(ILH),FELTP(IHL),FELTP(IHH)得到待检测的乳腺肿瘤图像的HOG-LTP特征;

其中,FHOG(ILL)表示低频部分子图像的HOG特征,FELTP(ILH)表示水平方向部分子图像的LTP特征,FELTP(IHL)表示水平方向部分子图像的LTP特征,FELTP(IHH)表示水平方向部分子图像的LTP特征。

6.一种LTP与HOG特征融合的乳腺肿瘤检测系统,其特征在于,包括:训练样本库建立模块,用于获取采集的乳腺肿瘤图像,建立乳腺肿瘤图像训练样本库;

样本子图像获取模块,用于对样本图像进行自适应二值化处理以及二维离散Haar小波变换,得到4个样本子图像;

特征提取模块,用于从所述4个样本子图像中的低频部分子图像提取HOG特征;从水平方向部分子图、垂直方向部分子图像以及对角线方向部分子图像中提取LTP特征;

归一化模块,用于将提取到的HOG特征与LTP特征进行归一化处理,形成HOG-LTP特征;

模型建立模块,用于建立SVM模型;

样本训练模块,用于将所述样本图像作为输入量,所述HOG-LTP特征作为期望输出量对SVM模型进行样本训练;

新样本子图像获取模块,用于对待检测的乳腺肿瘤图像进行自适应二值化处理以及二维离散Haar小波变换,得到4个新的样本子图像;

待检测图像特征计算模块,用于计算得到待检测的乳腺肿瘤图像的HOG-LTP特征;

乳腺肿瘤图像获取模块,用于将计算得到的HOG-LTP特征向量输入训练后的SVM模型中,检测输出的乳腺肿瘤图像。

7.根据权利要求6所述的一种LTP与HOG特征融合的乳腺肿瘤检测系统,其特征在于,所述训练样本库建立模块,具体包括:获取单元,用于获取采集的乳腺肿瘤负样本与正样本比例保持在10:1左右;

训练样本库建立单元,用于根据获取的乳腺肿瘤负样本与正样本建立乳腺肿瘤图像训练样本库。

8.根据权利要求6所述的一种LTP与HOG特征融合的乳腺肿瘤检测系统,其特征在于,所述样本子图像获取模块,具体包括:自适应二值化处理单元,用于对样本图像进行自适应二值化处理后,采用公式:Haar小波变换单元,用于对样本图像进行二维离散Haar小波变换;

Haar小波函数是一个差分函数,可用解析的方法表示为:等效的频域表示为:

其中,WTx(a,τ)是a和τ的函数,a是尺度因子,τ为平移因子,X(ω)、ψ(ω)分别是x(t)、ψ(t)的傅里叶变换,ψ(t)表示做位移τ后的基本小波函数,x(t)表示待分析信号。

9.根据权利要求6所述的一种LTP与HOG特征融合的乳腺肿瘤检测系统,其特征在于,所述特征提取模块,具体包括:HOG特征提取单元,用于从低频部分子图像提取HOG特征;

LTP特征提取单元,用于采用公式:

从水平方向部分子图、垂直方向部分子图像以及对角线方向部分子图像中提取LTP特征;

其中,

p为周围邻域像素点个数,会产生3p种模式,gp为第p个邻域像素的灰度值;μ为局部区域像素均值,σ为标准差,Δl为局部纹理反差;

采用公式:

计算局部纹理反差Δl;

其中,sum1为周边像素gp中大于或等于中心像素的灰度值和,n1为个数;sum2为周边像素gp中小于中心像素的灰度值和,n2为个数。

10.根据权利要求6所述的一种LTP与HOG特征融合的乳腺肿瘤检测系统,其特征在于,所述待检测图像特征计算模块,具体包括:计算单元,用于采用公式:

F(I)=FHOG(ILL),FELTP(ILH),FELTP(IHL),FELTP(IHH)得到待检测的乳腺肿瘤图像的HOG-LTP特征;

其中,FHOG(ILL)表示低频部分子图像的HOG特征,FELTP(ILH)表示水平方向部分子图像的LTP特征,FELTP(IHL)表示水平方向部分子图像的LTP特征,FELTP(IHH)表示水平方向部分子图像的LTP特征。