【医学论文】基于灰度共生矩阵提取纹理特征的医学图像检索技术的研究与应用

 摘要：随着信息技术在医院的普及，积累了大量病人的影像数据,这些数据是医生进行临床诊断、病情跟踪、手术计划、研究、鉴别诊断的重要客观依据。本课题选用灰度共生矩阵对图像纹理特征进行提取，利用像素对之间的方向和距离参数构造共生矩阵，然后从矩阵中提取能量、熵等有意义的统计量来表示纹理特征，从而建立一个医学图像检索系统，有效提高医学图像的利用率。

关键词：基于内容的图像检索；特征提取；相似性度量；纹理；灰度共生矩阵

近年来，随着计算机、网络、通讯技术的不断发展和其相关应用的迅速普及，数字信息的数量和种类快速膨胀，各个领域的数字图像数据大量产生。如何快速、准确地从海量的图像数据库中查找到用户感兴趣的图像成为一个迫切需要解决的问题。

　　　具体到医学领域，医学图像也成为临床疾病诊断不可缺少的最重要的手段之一。随着医学图像数量的急剧增长，医学工作者和相关科研人员如何从众多的图像中快速、准确地找到所需要的图像成为亟待解决的重点和难点问题。

一、课题研究简述

　　　基于内容的图像检索，简单说就是通过图像特征的比对，检索到特征相同或者相似的图像。图像特征是指图像的原始特征或属性。

　　　在医学图像检索过程中，根据不同的应用选取合适的查询机制，第一，在查询接口用户根据病灶特征描述、病理描述、姓名、病历编号等文本信息进行查询，属于基于文本的检索；第二，可以直接根据示例图像进行查询，属于基于内容的检索。在根据示例图像进行查询时，对查询接口传来的查询请求转化为对图像内容的描述，即对图像进行特征分析和提取（颜色，纹理，形状，空间等底层特征）。

　　　在本系统中，用户通过窗口界面，录入病历文本信息到病例库，上传图像信息。可以通过病历的文本信息：病历编号对病历进行文本检索。上传图像后，系统提取图像的纹理特征，与特征库中的特征进行相似匹配，检索出纹理特征相同或者形似度高的纹理特征，再到图像库中找到相应图像。这部分属于基于内容的图像检索技术。文本检索是我们应用娴熟、且检索速度很好的检索方式，尽可能的使用文本检索可以很大程度上提高系统的工作效率。因此，本系统也采用了文本检索方法处理文本信息。

　　　本课题研究重点是基于内容的图像检索，主要工作是：对图像进行预处理，使我们能更好的提取图像的灰度层，提取特征值，进行特征值的相似匹配。

二、医学图像检索系统的基本框架

　　　将该框架的4个功能模块：用户查询与人机交互模块、内容分析与提取模块、相似性度量与索引模块和数据存储模块。本系统架构图如图2.1所示。

图2.1 医学图像检索系统架构

三、纹理特征提取的方法--灰度共生矩阵

　　　由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两象素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。灰度共生矩阵就是一种通过研究灰度的空间相关特性来描述纹理的常用方法。 灰度共生矩阵是对图像上保持某距离的两象素分别具有某灰度的状况进行统计得到的。

　　取图像(N×N)中任意一点 （x，y）及偏离它的另一点 （x+a，y+b），设该点对的灰度值为 （g1，g2）。令点（x，y） 在整个画面上移动，则会得到各种 （g1，g2）值，设灰度值的级数为 k，则（g1，g2） 的组合共有 k 的平方种。对于整个画面，统计出每一种 （g1，g2）值出现的次数，然后排列成一个方阵，再用（g1，g2） 出现的总次数将它们归一化为出现的概率P（g1，g2） ，这样的方阵称为灰度共生矩阵。距离差分值（a，b） 取不同的数值组合，可以得到不同情况下的联合概率矩阵。（a，b） 取值要根据纹理周期分布的特性来选择，对于较细的纹理，选取（1，0）、（1，1）、（2，0）等小的差分值。

　　当 a=1，b=0时，像素对是水平的，即0度扫描；当a=0，b=1 时，像素对是垂直的，即90度扫描；当 a=1，b=1时，像素对是右对角线的，即45度扫描；当 a=-1，b=1时，像素对是左对角线，即135度扫描。

　　这样，两个象素灰度级同时发生的概率，就将 （x，y）的空间坐标转化为"灰度对" （g1，g2）的描述，形成了灰度共生矩阵。

设是一张数字二维图像，大小,灰度级Ng，则满足空间灰度共生矩阵是：

(式3.1)

　　　这里，#（x）是元素在集合x的数量表示，分母是总像素对数，之后得到归一化P的结果。通常可以用一些标量来表征灰度共生矩阵的特征：

（1）能量

　　如果灰度共生矩阵中的值集中在某一块（比如对连续灰度值图像，值集中在对角线；对结构化的图像，值集中在偏离对角线的位置），则ASM有较大值，若G中的值分布较均匀（如噪声严重的图像），则ASM有较小的值。

　　能量：反映了图像灰度分布均匀程度和纹理粗细度。粗纹理越多则图像能量值越大，反之则越小。

（2）熵

　　　若灰度共生矩阵值分布均匀，也即图像近于随机或噪声很大，熵会有较大值。

熵：反映了图像中纹理的非均匀程度或复杂程度，是对图像中信息量多少的一种度量。图像中纹理量越多，熵越大，反之则越小。

（3）相关性

　　　相关性：是对图像局部灰度值的相关性的一种度量，反映了纹理的一致性。

（4）惯性矩

　　　如果偏离对角线的元素有较大值，即图像亮度值变化很快，则CON会有较大取值，这也符合对比度的定义。

　　　惯性矩：反映了图像的清晰程度和纹理沟纹深浅的程度。纹理越深，惯性矩值越大，反之则越小。

（5）局部平稳性

　　　局部平稳性：反映图像纹理的同质性，度量图像纹理局部变化的多少。局部平稳的值大则说明图像纹理的不同区域间缺少变化，局部均匀。最后，可以用一个向量将以上特征综合在一起。综合后的向量就可以看做是对图像纹理的一种描述，可以进一步用来分类、识别、检索等。

　　　利用灰度共生矩阵提取图像纹理特征的流程是：在对图像进行预处理后，提取图像的灰度层，考虑到计算效率及医学图像的纹理特征，选定灰度级为8。距离为5，从0°,45°,90°,135°四个方向构造8*8的灰度共生矩阵。灰度层共生矩阵就是描述在扫描方向（0°,45°,90°,135°方向）上，相隔5像元的一对像元，分别具有灰度层i和j的出现概率。通过灰度共生矩阵得到图像的特征值：能量，熵，惯性矩，相关性，局部稳定性。在四个方向上分别得到5个特征的四种值，将它们综合为一个向量，这个向量可以看作是对图像纹理的一种描述，可以进一步用来分类、识别、检索等。具体流程如图3.1所示。

图3.1 灰度共生矩阵提取纹理特征流程

图像特征值的相似度比较

1、借助OpenCV工具包编程实现马氏距离；

2、编程实现待检索图像和数据库中的图像的相似性度量；

3、编程实现待检索图像与数据库中最相似的6幅图像按相似程度排序，并显示出最相似的6幅图像。

四、实验分析

　　　单纯采用灰度共生矩阵提取图像纹理特征的方法进行检索，如下情况：

图4.1 实验分析图

　　　第一幅图像作为示例，检索结果中会出现第二、三幅图像，因为三幅图像的灰度共生矩阵提取特征值很相近。系统利用了检索过滤技术，首先能减少系统计算量，同时也能避免部分干扰结果（类似第二幅图像）。这样做提高了一定的检索效率，但仍可能出现类似第三幅图像的干扰结果。

参考文献

[1] 王海霞.基于纹理特征的图像检索技术研究[D].硕士论文.燕山大学.（2006）

[2] 董卫军，周明全，耿国华．基于纹理形状特征的图像检索技术[J]．计算机工程与应用，2004，(24)：9-11