專利名稱：一種基于尺度不變特征的三維圖像分類方法
技術(shù)領域：
本發(fā)明屬于圖像處理領域，具體涉及一種基于尺度不變特征的三維圖像的統(tǒng)計分 類方法。
背景技術(shù)：
三維圖像能夠清晰地表達物體的內(nèi)部組織結(jié)構(gòu)及其空間紋理，在醫(yī)學影像分析、 地質(zhì)學分析等領域有著廣泛的應用。利用三維圖像進行統(tǒng)計分類，計算無標記樣本圖像具 有某種屬性的可能性大小，或者自動判別無標記樣本圖像的類別屬性，這是三維圖像計算 機輔助分析的一個重要應用。物體的三維圖像模式具有極大的可變性，這給此類圖像的分類帶來了巨大挑戰(zhàn)。 傳統(tǒng)的分類方法主要有感興趣區(qū)域(ROI)方式和體素(voxel)方式兩種分類方法。感興趣 區(qū)域方式的分類方法依據(jù)目標結(jié)構(gòu)的先驗知識，將樣本和目標分割成多個目標區(qū)域，并據(jù) 此對目標進行分類；體素方式的分類方法采用復雜的非線性配準，以最大限度地實現(xiàn)個體 間的精確對應，然后以圖像的每一個空間單位(體素)作為分類依據(jù)。這兩種方法都假設 目標與樣本的內(nèi)部組織結(jié)構(gòu)是一一對應的。前者認為先驗的圖像區(qū)域存在于每一個目標當 中，并且能夠準確分割；后者假定非線性配準后的體素是一一對應的。然而，這樣的假設在 很多情況下并不合理。在噪聲和某些結(jié)構(gòu)模式變異的情況下，三維圖像的感興趣區(qū)域邊界 變得模糊，從而使得區(qū)域分割不準確，區(qū)域間的對應出現(xiàn)殘差，進而導致分類性能的下降； 非線性配準方法并不能理解某些復雜的三維圖像模式，使得這類模式包含的體素在各樣本 之間的對應關系模棱兩可或者是不存在，同樣降低了分類性能?？偟膩碚f，在三維圖像模式 比較復雜或者是模式變異、無先驗知識的情況下，一一對應假設會丟失部分有用的類相關 信息，同時引入噪聲，因而不能達到最佳的分類效果?；诔叨炔蛔兲卣鞯娜S圖像分類是一種全新的分類方法。該方法首先提取三維 圖像的尺度不變特征，用以表征不同尺度的圖像模式；然后對這些部分存在的特征建立統(tǒng) 計模型，定量分析部分存在于各樣本中的特征似然率；獲取類間差異明顯的模型特征，最后 使用模型特征似然率近似目標特征似然率進行分類。這種方法與傳統(tǒng)方法形成互補，尤其 對于圖像模式十分復雜并且無先驗知識的情況下十分有效。然而，這種分類方法還存在不 足。首先，該方法使用模型特征條件概率密度的估計值近似目標特征的條件概率密度的估 計值，存在一定的誤差；其次，該方法通過計數(shù)方式計算特征似然率，沒有利用特征之間的 相似程度信息，容易受到噪聲的干擾。

發(fā)明內(nèi)容
為了克服已有技術(shù)的不足，本發(fā)明的目的在于設計一種分類準確率高、泛化性能 強的三維圖像分類方法。為實現(xiàn)上述目的，本發(fā)明提出一種基于尺度不變特征的三維圖像分類方法，包括 以下步驟
步驟對經(jīng)過三維圖像預處理后的標記樣本圖像和無標記樣本圖像提取尺度 不變特征，分別得到樣本特征和目標特征；步驟Sb 搜索目標特征的正出現(xiàn)，生成正出現(xiàn)集合，所述正出現(xiàn)集合是滿足幾何 相似和外形相似的樣本特征的集合；步驟& 使用核密度估計的算法，計算目標特征的條件概率密度的估計值；步驟Sd:依據(jù)各目標特征的概率密度估計值，使用貝葉斯分類器計算得到無標記 樣本圖像的似然率，并依據(jù)似然率進行分類。本發(fā)明針對三維圖像分類問題，通過提取尺度不變特征、搜索正特征出現(xiàn)、使用核 密度估計的方法計算尺度不變特征的條件概率密度估計值，提高了概率密度估計的準確性 和魯棒性。在MRI影像據(jù)集上的實驗結(jié)果表明，本發(fā)明的基于尺度不變特征的三維圖像分 類方法，有效地提高了三維圖像的分類性能。


圖1是本發(fā)明所述三維圖像的分類框圖；圖2是測試數(shù)據(jù)子集1)上兩種方法分類ROC曲線對比；圖3是測試數(shù)據(jù)子集2)上兩種方法分類ROC曲線對比；圖4是測試數(shù)據(jù)子集3)上兩種方法分類ROC曲線對比。
具體實施例方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚明白，以下結(jié)合具體實施例，并參照 附圖，對本發(fā)明進一步詳細說明。參照圖1，本發(fā)明所述的一種三維圖像分類方法，依據(jù)標記樣本圖像來確定無標記 樣本圖像的類別，具體實施步驟如下步驟&1，對經(jīng)過三維圖像預處理后的標記樣本圖像和無標記樣本圖像提取尺度不 變特征，分別得到樣本特征和目標特征；1.三維圖像預處理由于個體自身差異或者成像條件的差異，三維圖像間存在尺度和位置上的差異， 而這種總體差異與所關注的組別屬性無關；三維圖像預處理是在保留三維圖像細節(jié)的同 時，通過將各三維圖像與模板進行仿射配準變換方式的預處理，消除各圖像間的與所關注 的組別屬性無關的總體差異，其中模板可以使用此類三維圖像的標準圖像，也可以使用標 記樣本圖像中較為平均的一幅。2.尺度不變特征提取一般來說，每個三維圖像包含大量尺度不變特征，每個尺度不變特征表示為f = {g，a}，g= {χ, σ}，其中，g表示尺度空間的四維幾何位置向量，χ表示三維圖像的點坐標 向量，σ表示特征尺度，a表示尺度不變特征f的外形描述向量；分別從標記樣本圖像和無 標記樣本圖像中提取樣本特征和目標特征，提取步驟如下首先建立三維圖像的四維尺度空間離散數(shù)據(jù)結(jié)構(gòu)，利用差分金字塔的極值點作為 候選點集合，經(jīng)過插值、低對比度過濾、表面和管狀不穩(wěn)定點過濾后，獲得剩余極值點的幾 何位置向量集合，進一步對各個幾何位置向量進行鄰域采樣，獲得各個幾何位置向量所對應的外形描述向量。 假設&表示L個標記樣本圖像，Sl
表示無標記樣本圖像，令表示從&中提取
的N個樣本特征，令f ‘ i表示從Sm中提取的M個目標特征，其中，下標1 = 1，...，L表示 標記樣本圖像的編號，下標j = 1，. . .，N表示所有樣本特征的統(tǒng)一編號，下標i = 1，...， M表示所有目標特征的統(tǒng)一編號，各下標之間無直接聯(lián)系。3.由于樣本特征數(shù)量較大，為了提高后繼步驟對樣本特征的搜索效率，此處預先 進行樣本特征索引，使得各特征按各個維度有序，具體方法如下將樣本特征。按照其四維幾何向量&映射到D1XD2XD3XD4的同一個四維離散空 間，在對應的離散空間位置建立索引并記錄映射至此的樣本特征編號；其中DpD2、D3、D4* 別表示特征空間各維的大小；此實施方式中，坐標向量χ按照線性映射，Di、D2、D3*別為原 三維圖像的各維大小，尺度。取對數(shù)后線性映射，D4取值為差分金字塔的層數(shù)。對無標記樣本圖像Sm進行個體分類，包括以下步驟步驟Sb，搜索目標特征的正出現(xiàn)，生成正出現(xiàn)集合，所述正出現(xiàn)集合是滿足幾何相 似和外形相似的樣本特征的集合；對每個目標特征f' i搜索滿足以下條件的樣本特征作 為目標特征的正出現(xiàn)
權(quán)利要求
1.一種基于尺度不變特征的三維圖像分類方法，其特征在于，包括以下步驟步驟& 對經(jīng)過三維圖像預處理后的標記樣本圖像和無標記樣本圖像提取尺度不變 特征，分別得到樣本特征和目標特征；步驟Sb 搜索目標特征的正出現(xiàn)，生成正出現(xiàn)集合，所述正出現(xiàn)集合是滿足幾何相似 和外形相似的樣本特征的集合；步驟& 使用核密度估計的算法，計算目標特征的條件概率密度的估計值；步驟Sd 依據(jù)各目標特征的概率密度估計值，使用貝葉斯分類器計算得到無標記樣本 圖像的似然率，并依據(jù)似然率進行分類。
2.如權(quán)利要求1所述的基于尺度不變特征的三維圖像分類方法，其特征在于，三維圖 像預處理是在保留三維圖像細節(jié)的同時，使用三維圖像與模板進行仿射配準變換方式的預 處理。
3.如權(quán)利要求1所述的基于尺度不變特征的三維圖像分類方法，其特征在于，提取尺 度不變特征的步驟為首先建立三維圖像的四維尺度空間離散數(shù)據(jù)結(jié)構(gòu)，利用差分金字塔的極值點作為候選 點集合；然后經(jīng)過插值、低對比度過濾、表面和管狀不穩(wěn)定點過濾后，獲得剩余候選點的幾 何位置向量集合；最后對幾何位置向量進行鄰域采樣，獲得各個幾何位置向量所對應的外 形描述向量。
4.如權(quán)利要求1所述的基于尺度不變特征的三維圖像分類方法，其特征在于，利用樣 本特征索引來提高目標特征的正出現(xiàn)的搜索效率，其中，樣本特征索引是將樣本特征按照 其幾何向量映射到同一個四維離散空間，在對應的離散空間位置建立索引并記錄映射至此 的樣本特征編號。
5.如權(quán)利要求1所述的基于尺度不變特征的三維圖像分類方法，其特征在于，對每個 目標特征搜索滿足以下條件的樣本特征作為目標特征的正出現(xiàn)JC ■ JC ■ h 1< εInaia. -a. h 1其中，Il · Il表示向量的歐氏距離，X表示三維圖像的點坐標向量，σ表示特征尺度， a表示外形描述向量，下標i、k分別表示目標特征和正出現(xiàn)的編號, 、 和 分別表示編 號為4的樣本特征人的點坐標向量、特征尺度和外形描述向量，Χ'i分別表示目標特征f' i的點坐標向量、特征尺度和外形描述向量，ε ‘,和^'。分別表示幾何 相似閾值的坐標部分和特征尺度部分，對應于預處理后三維圖像間的幾何差異大小，ξ' i 表示目標特征f' i所對應差分金字塔圖像層的采樣率，<表示目標特征f' i的外形相似 閾值。
6.如權(quán)利要求5所述的基于尺度不變特征的三維圖像分類方法，其特征在于，為了達 到在幾何相似的前提下反映外形相似性的最大允許誤差，通過特征相關方式確定目標特征 f' 外形相似閾值 =sup{εα e [0’ 1) |4(εα) Π 啡 |4) _ ^其中，sup{·}表示集合的上確界，ε a表示q的候選值，Gi表示滿足幾何相似的樣本特 征集合，Ai ( ε a)表示給定ε a條件下滿足外形相似的樣本特征集合G,.JC ■ JC■lk 1^ A+WΛIncr'<仏4(^)={Λα. -α.ik ι化}
7.如權(quán)利要求1所述的基于尺度不變特征的三維圖像分類方法，其特征在于，所述條 件概率密度風_/；|c,r)的估計值表示如下等)PifiiCJ)---ΣN,C k=\[lKh2)djlexpa. -a.'k 12 λv22V 2K) h y其中，C為給定組別，T表示預處理變換，Nc表示組C內(nèi)標記樣本圖像數(shù)量，Ni (C)為正 出現(xiàn)的數(shù)量，h是核密度估計帶寬，d表示外形描述向量的長度， 表示編號為ik的樣本特 征的外形描述向量，a' i表示目標特征f' i的外形描述向量。
8.如權(quán)利要求5所述的基于尺度不變特征的三維圖像分類方法，其特征在于，使用 Leave-One-Out方式的交叉驗證，選擇幾何相似閾值的坐標部分ε ‘ χ和特征尺度部分 ε ’ 。的最優(yōu)值。
9.如權(quán)利要求7所述的基于尺度不變特征的三維圖像分類方法，其特征在于，使用 Leave-One-Out方式的交叉驗證，選擇核密度估計帶寬h的最優(yōu)值。
全文摘要
本發(fā)明是一種基于尺度不變特征的三維圖像分類方法，該方法包括以下步驟對經(jīng)過三維圖像預處理后的標記樣本圖像和無標記樣本圖像提取尺度不變特征，分別得到樣本特征和目標特征；搜索目標特征的正出現(xiàn)，生成正出現(xiàn)集合，所述正出現(xiàn)集合是滿足幾何相似和外形相似的樣本特征的集合；使用核密度估計的算法，計算目標特征的條件概率密度的估計值；依據(jù)各目標特征的概率密度估計值，使用貝葉斯分類器計算得到無標記樣本圖像的似然率，并依據(jù)似然率進行分類。在公共數(shù)據(jù)集上的實驗說明，本發(fā)明所述方法是一種有效的三維圖像分類方法。
文檔編號G06K9/62GK102081740SQ201110053750
公開日2011年6月1日 申請日期2011年3月7日 優(yōu)先權(quán)日2011年3月7日
發(fā)明者張文生, 王虎, 田捷, 白麗君 申請人:中國科學院自動化研究所