医学图像纹理特征提取texturefeatureextractionofmedicalimage(附件)【字数：1240
摘 要摘 要随着数字医疗技术的快速发展，医学图像处理在医疗领域的作用变得越来越重要。传统的医学方法主要是依靠医生的个人经验来分析医学图像，从而进行病情诊断，但这种方法已难以适应时代的需求。面对海量的医学图像，需要建立有效的医学图像分类与检索系统。本文通过研究医学图像纹理分析方法，实现了四种有效的纹理特征提取算法，而这四种算法将为建立医学图像分类与检索系统提供必要的基础。本文主要介绍了图像纹理特征提取的四大类方法，统计法、频谱法、模型法和结构法，并对四大类提取方法作了总结和对比。在此基础上，选取了常用的四种方法，灰度共生矩阵、Tamura纹理分析、局部二值模式和Gabor滤波法来实现医学图像纹理的提取。文中详细的介绍了这四种算法的原理、实现和测试结果。最后，对本文所做的工作进行了系统的总结，展望了纹理特征提取技术在图像分类与检索领域中的应用前景。关键词纹理特征提取；医学图像；统计法；频谱法图像分类与检索是图像处理技术应用的一个重要分支，基于纹理特征的图像分类方法是图像分类的主要方法之一。早期的图像分类多是基于文本标注的方法，即用文本对图像进行描述，然后按照关键字对图像进行分类。一方面用文本描述图像存在着主观性，导致分类合理度不高。另一方面，基于文本的描述难以满足现代大规模的图像分类与检索需求。因此，先进高效的的图像分类方法成为了图像处理领域研究的热点。
目 录
第一章 绪论 1
1.1 研究背景和意义 1
1.3 图像分类研究的发展与现状 2
1.4 论文内容及章节排版 3
第二章 纹理的描述与分析 4
2.1 引言 4
2.2 纹理特征与性质 4
2.3 医学图像的特点 5
2.4 纹理特征的提取方法 5
2.4.1 概述 5
2.4.2 统计法 6
2.4.3 频谱法 6
2.4.5 结构法 8
第三章 基于统计法的纹理特征提取方法 9
3.1 灰度共生矩阵法 9
3.1.1 原理 9
3.1.2 算法实现 11
3.1.3 测试结果及分析 11
3.1.4 算法改进措施 12 *好棒文|www.hbsrm.com +Q: ^351916072^
3.2 Tamura纹理分析法 13
3.2.1 Tamura纹理特征 13
3.2.2 测试结果及分析 15
3.3 局部二值模式（LBP） 15
3.3.1 LBP算法原理 16
3.3.2 算法实现 16
3.3.3 测试结果及分析 17
3.4 本章小结 18
第四章 基于频谱法的纹理特征提取方法 19
4.1 Gabor滤波法 19
4.1.1 原理 19
4.1.2 算法实现 20
4.1.3 测试结果及分析 21
4.2 本章小结 22
第五章 总结与展望 23
5.1 总结 23
5.2 展望 23
致 谢 24
参 考 文 献 25
附 录 26
第一章 绪论
1.1 研究背景和意义
早期的图像只是被用于记录信息，而缺乏有效的工具来开发和应用这些信息。而现在，如何充分的挖掘信息并提取出有效的信息已成研究的主流。图像作为信息的主要载体之一，必然成为了重点的研究对象。随着计算机的飞速发展，数字图像处理技术得以实现和应用。如今图像处理技术已经广泛的应用到众多领域，如基于人脸识别的安防系统、基于车牌识别的智能交通系统以及当前火热的虚拟现实技术等随处可见图像处理技术的应用。医学图像由于与人们的健康息息相关，因而医学图像处理一直是图像处理技术的重点研究领域。
传统的医学图像处理多是基于X光、B超和CT等技术的应用，处理这些图像非常依赖医生的个人经验，费时费力，而且容易受到医生个人主观影响，效率不高。这使得传统的依靠医生的个人经验进行医学图像分析难以跟上时代的步伐。因此，以计算机为基础的数字图像处理技术在医学上的应用得到了人们的重视，这方面的研究成果也开始纷纷涌现。出现了如数字减影血管造影DSA、三维重建、图像存档与通讯系统PACS等应用。
当前，医学图像的一个主流应用是进行图像的分类和检索。凭借医生的个人经验对图像进行分析来诊断病情既耗费时间也难以保证准确率。通过建立庞大的医学图像资源库和图像检索系统，能充分实现医疗资源共享。这项应用能够极大的减轻医生的工作量，提高工作效率，减少病人的痛苦时间，使其获得更好的诊断方法。另外，通过运用图像处理技术能充分地挖掘医学图像中的有用信息，一方面这使得医生能够更加全面的掌握病人的病情，从而能过采用最合适的方法治疗。另一方面，这能使医生及早的的发现隐藏的病情，如早期癌症，这很符合医学的早发现早治疗原则。总之，医学图像处理是一项非常实用的技术，它是值得去研究的。
本文研究的重点是医学图像的纹理特征提取。提取的纹理特征提数据将作为医学图像分类与检索系统的数据库，是图像分类与检索的第一步，对后续的图像分类与检索的效果起着至关决定性的作用，而图像分类与检索则是对特征提取方法的效果验证和应用。
1.2 图像纹理特征研究的发展与现状
在上个世纪60年代，人们就开始了图像纹理特征的研究，如Brodatz建立了Brodatz纹理库，这个库也成为后人研究纹理特征的重要数据来源。70年代， Haralick[1]在研究卫星图像时提出了灰度共生矩阵(Gray Level Cooccurrence Matrix，GLCM)方法，开始了纹理特征研究的定量分析阶段。Haralie提出的许多理论和方法成为了后续纹理研究的重要基础，之后，诸如灰度行程长度法、灰度差分法等相继被提出。到了80年代，随机场模型法则为纹理特征提取研究提供了新的方向。在这波热潮下，各种改进的模型法被相继提出，如吉布斯模型、自回归纹理模型等，其中分形模型的提出更是将模型法提升到一个新的高度。到了90年代，传统的方法已经难以满足时代的需要，频谱法则因良好的多尺度特性受到广泛的关注，其中基于小波和Gabor滤波器的纹理分析方法更是因其独特的性能成为当时的研究主流。
近些年纹理特征提取方法最大的突破则是局部二值模式(Local Binary Pattern，LBP)算法,LBP[2]方法具有计算复杂度小，多尺度和旋转不变特性，具有很高的使用价值。纹理特征提取方法的研究是随着时代的进步在不断地发展着，未来的纹理特征提取方法也必将更加完善。
1.3图像分类研究的发展与现状
图像分类与检索是图像处理技术应用的一个重要分支，基于纹理特征的图像分类方法是图像分类的主要方法之一。早期的图像分类多是基于文本标注的方法，即用文本对图像进行描述，然后按照关键字对图像进行分类。一方面用文本描述图像存在着主观性，导致分类合理度不高。另一方面，基于文本的描述难以满足现代大规模的图像分类与检索需求。因此，先进高效的的图像分类方法成为了图像处理领域研究的热点。
目 录
第一章 绪论 1
1.1 研究背景和意义 1
1.3 图像分类研究的发展与现状 2
1.4 论文内容及章节排版 3
第二章 纹理的描述与分析 4
2.1 引言 4
2.2 纹理特征与性质 4
2.3 医学图像的特点 5
2.4 纹理特征的提取方法 5
2.4.1 概述 5
2.4.2 统计法 6
2.4.3 频谱法 6
2.4.5 结构法 8
第三章 基于统计法的纹理特征提取方法 9
3.1 灰度共生矩阵法 9
3.1.1 原理 9
3.1.2 算法实现 11
3.1.3 测试结果及分析 11
3.1.4 算法改进措施 12 *好棒文|www.hbsrm.com +Q: ^351916072^
3.2 Tamura纹理分析法 13
3.2.1 Tamura纹理特征 13
3.2.2 测试结果及分析 15
3.3 局部二值模式（LBP） 15
3.3.1 LBP算法原理 16
3.3.2 算法实现 16
3.3.3 测试结果及分析 17
3.4 本章小结 18
第四章 基于频谱法的纹理特征提取方法 19
4.1 Gabor滤波法 19
4.1.1 原理 19
4.1.2 算法实现 20
4.1.3 测试结果及分析 21
4.2 本章小结 22
第五章 总结与展望 23
5.1 总结 23
5.2 展望 23
致 谢 24
参 考 文 献 25
附 录 26
第一章 绪论
1.1 研究背景和意义
早期的图像只是被用于记录信息，而缺乏有效的工具来开发和应用这些信息。而现在，如何充分的挖掘信息并提取出有效的信息已成研究的主流。图像作为信息的主要载体之一，必然成为了重点的研究对象。随着计算机的飞速发展，数字图像处理技术得以实现和应用。如今图像处理技术已经广泛的应用到众多领域，如基于人脸识别的安防系统、基于车牌识别的智能交通系统以及当前火热的虚拟现实技术等随处可见图像处理技术的应用。医学图像由于与人们的健康息息相关，因而医学图像处理一直是图像处理技术的重点研究领域。
传统的医学图像处理多是基于X光、B超和CT等技术的应用，处理这些图像非常依赖医生的个人经验，费时费力，而且容易受到医生个人主观影响，效率不高。这使得传统的依靠医生的个人经验进行医学图像分析难以跟上时代的步伐。因此，以计算机为基础的数字图像处理技术在医学上的应用得到了人们的重视，这方面的研究成果也开始纷纷涌现。出现了如数字减影血管造影DSA、三维重建、图像存档与通讯系统PACS等应用。
当前，医学图像的一个主流应用是进行图像的分类和检索。凭借医生的个人经验对图像进行分析来诊断病情既耗费时间也难以保证准确率。通过建立庞大的医学图像资源库和图像检索系统，能充分实现医疗资源共享。这项应用能够极大的减轻医生的工作量，提高工作效率，减少病人的痛苦时间，使其获得更好的诊断方法。另外，通过运用图像处理技术能充分地挖掘医学图像中的有用信息，一方面这使得医生能够更加全面的掌握病人的病情，从而能过采用最合适的方法治疗。另一方面，这能使医生及早的的发现隐藏的病情，如早期癌症，这很符合医学的早发现早治疗原则。总之，医学图像处理是一项非常实用的技术，它是值得去研究的。
本文研究的重点是医学图像的纹理特征提取。提取的纹理特征提数据将作为医学图像分类与检索系统的数据库，是图像分类与检索的第一步，对后续的图像分类与检索的效果起着至关决定性的作用，而图像分类与检索则是对特征提取方法的效果验证和应用。
1.2 图像纹理特征研究的发展与现状
在上个世纪60年代，人们就开始了图像纹理特征的研究，如Brodatz建立了Brodatz纹理库，这个库也成为后人研究纹理特征的重要数据来源。70年代， Haralick[1]在研究卫星图像时提出了灰度共生矩阵(Gray Level Cooccurrence Matrix，GLCM)方法，开始了纹理特征研究的定量分析阶段。Haralie提出的许多理论和方法成为了后续纹理研究的重要基础，之后，诸如灰度行程长度法、灰度差分法等相继被提出。到了80年代，随机场模型法则为纹理特征提取研究提供了新的方向。在这波热潮下，各种改进的模型法被相继提出，如吉布斯模型、自回归纹理模型等，其中分形模型的提出更是将模型法提升到一个新的高度。到了90年代，传统的方法已经难以满足时代的需要，频谱法则因良好的多尺度特性受到广泛的关注，其中基于小波和Gabor滤波器的纹理分析方法更是因其独特的性能成为当时的研究主流。
近些年纹理特征提取方法最大的突破则是局部二值模式(Local Binary Pattern，LBP)算法,LBP[2]方法具有计算复杂度小，多尺度和旋转不变特性，具有很高的使用价值。纹理特征提取方法的研究是随着时代的进步在不断地发展着，未来的纹理特征提取方法也必将更加完善。
1.3图像分类研究的发展与现状
图像分类与检索是图像处理技术应用的一个重要分支，基于纹理特征的图像分类方法是图像分类的主要方法之一。早期的图像分类多是基于文本标注的方法，即用文本对图像进行描述，然后按照关键字对图像进行分类。一方面用文本描述图像存在着主观性，导致分类合理度不高。另一方面，基于文本的描述难以满足现代大规模的图像分类与检索需求。因此，先进高效的的图像分类方法成为了图像处理领域研究的热点。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/dzkxyjs/1008.html
