本發(fā)明屬于圖像處理領(lǐng)域。更進(jìn)一步涉及一種基于滑動(dòng)窗融合的兩次稀疏表示的乳腺腫塊圖像處理方法。本發(fā)明可用于從乳腺鉬靶X線(xiàn)圖像中快速地檢測(cè)出可疑腫塊區(qū)域，并且將可疑腫塊區(qū)域標(biāo)示出來(lái)。

背景技術(shù)：
目前，許多學(xué)者提出了乳腺X線(xiàn)圖像的腫塊檢測(cè)方法，現(xiàn)有的方法中無(wú)法得到很好的檢測(cè)結(jié)果，檢測(cè)系統(tǒng)的可靠性較低。隨著計(jì)算機(jī)視覺(jué)信息處理、模式識(shí)別、機(jī)器學(xué)習(xí)等學(xué)科領(lǐng)域的飛速發(fā)展，將多種新思想相融合并引入到腫塊區(qū)域的檢測(cè)當(dāng)中，逐漸成為改善提高檢測(cè)系統(tǒng)性能的熱點(diǎn)方向。常用的圖像檢測(cè)工具包括支持向量機(jī)(SupportVectorMachine，SVM)、貝葉斯、神經(jīng)網(wǎng)絡(luò)和K近鄰分類(lèi)器等。南京大學(xué)提出的專(zhuān)利申請(qǐng)“一種基于分層結(jié)構(gòu)的乳腺腫塊可疑區(qū)域快速檢測(cè)方法”(申請(qǐng)?zhí)枺?00810235120，公開(kāi)號(hào)：CN101401730A)公開(kāi)了一種基于分層結(jié)構(gòu)的乳腺腫塊可疑區(qū)域快速檢測(cè)方法。該方法包括分層結(jié)構(gòu)分類(lèi)器的訓(xùn)練構(gòu)造和乳腺數(shù)字圖像腫塊可以區(qū)域的檢測(cè)兩個(gè)部分，其中分層結(jié)構(gòu)分類(lèi)器的訓(xùn)練構(gòu)造包括分層結(jié)構(gòu)中的特征提取以及三個(gè)分類(lèi)器的訓(xùn)練和構(gòu)造。該方法能夠比較準(zhǔn)確地檢測(cè)出乳腺腫塊，但是仍然存在的不足是：分類(lèi)器的構(gòu)造使用了分層方法，對(duì)每個(gè)分類(lèi)器都需要進(jìn)行訓(xùn)練，過(guò)程較為復(fù)雜，降低了檢測(cè)效率，另外，該方法對(duì)訓(xùn)練樣本的要求比較高。MohammedA.Alolfe等人在文章“Astatisticalbasedfeatureextractionmethodforbreastcancerdiagnosisindigitalmammogramusingmultiresolutionrepresentation.”(ComputersinBiologyandMedicine.2012,42(1):123-128.)提出了結(jié)合SVM和線(xiàn)性判別式分析(LinearDiscriminantAnalysis，LDA)的算法進(jìn)行分類(lèi)的方法。等人運(yùn)用多分辨率表示進(jìn)行特征的表示，他們將乳腺圖像通過(guò)小波或曲波轉(zhuǎn)變?yōu)殚L(zhǎng)向量系數(shù)。將每幅圖像的協(xié)方差向量排列得到協(xié)方差矩陣，協(xié)方差矩陣的列數(shù)即為圖像的個(gè)數(shù)。而后通過(guò)檢驗(yàn)統(tǒng)計(jì)方法進(jìn)行特征提取，提取時(shí)按照不同類(lèi)別的適用性來(lái)排列特征，運(yùn)用動(dòng)態(tài)閾值方法來(lái)選擇特征數(shù)量，最后使用SVM進(jìn)行分類(lèi)。該方法為SVM方案下的數(shù)據(jù)全局特征的概括，對(duì)乳腺圖像的分類(lèi)的效果較好。但是，該方法存在的不足是：SVM分類(lèi)器算法較為復(fù)雜，核函數(shù)選擇非常困難，并且SVM分類(lèi)器對(duì)大規(guī)模的訓(xùn)練樣本難以實(shí)施，耗時(shí)較長(zhǎng)，檢測(cè)效率低。Guo-ShiangLin等人在文章“Detectingmassesindigitalmammogramsbasedontextureanalysisandneuralclassifier.International”(ConferenceonInformationSecurityandIntelligenceControl,2012:222-225.)中利用神經(jīng)網(wǎng)絡(luò)分類(lèi)器對(duì)乳腺圖像中腫塊進(jìn)行分類(lèi)。該分類(lèi)方法是在空間與小波域中提取乳腺圖像中腫塊的紋理與亮度信息，作為圖像的特征表示，然后利用有監(jiān)督的神經(jīng)網(wǎng)絡(luò)分類(lèi)器對(duì)腫塊進(jìn)行分類(lèi)，分類(lèi)結(jié)果顯示的算法的有效性。該方法存在的不足是：只運(yùn)用了的紋理特征進(jìn)行分析，忽略了空間信息，假陽(yáng)性率高。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足，提出一種基于滑動(dòng)窗融合的兩次稀疏表示分類(lèi)方法。本發(fā)明能夠快速，高效，準(zhǔn)確，能夠有效的提高腫塊的檢測(cè)率，得到了更為精確的檢測(cè)結(jié)果。實(shí)現(xiàn)本發(fā)明的技術(shù)思路是，在第一次稀疏表示檢測(cè)的結(jié)果中，由于腫塊大小不一、在滑動(dòng)窗中的方位不一，以及在特征提取時(shí)由于降維損失了一些腫塊區(qū)域的特征信息，無(wú)法表示腫塊的邊緣信息，因此將第一次稀疏表示的檢測(cè)結(jié)果，基于滑動(dòng)窗自適應(yīng)融合后提取感興趣區(qū)域(RegionofInterest，ROI)，進(jìn)行第二次稀疏表示檢測(cè)，由于自適應(yīng)融合得到了更加精確的感興趣區(qū)域范圍，因此得到了更為精確的檢測(cè)結(jié)果，有效的提高了檢測(cè)率，降低了假陽(yáng)性率。為實(shí)現(xiàn)上述目的，本發(fā)明包括如下步驟：(1)讀入圖像：(1a)從乳腺鉬靶影像數(shù)字?jǐn)?shù)據(jù)庫(kù)DDSM中分別選取100幅有乳腺腫塊的乳腺鉬靶X線(xiàn)圖像，100幅正常的乳腺鉬靶X線(xiàn)圖像，將所選取的200幅乳腺鉬靶X線(xiàn)圖像組成圖像訓(xùn)練集；(1b)從乳腺鉬靶影像數(shù)字?jǐn)?shù)據(jù)庫(kù)DDSM中選取234幅有乳腺腫塊的乳腺鉬靶X線(xiàn)圖像作為目標(biāo)圖像；(2)預(yù)處理：(2a)采用中值濾波的方法，對(duì)乳腺鉬靶X線(xiàn)圖像進(jìn)行去噪處理；(2b)對(duì)去噪后的乳腺鉬靶X線(xiàn)圖像進(jìn)行下5采樣；(2c)對(duì)下5采樣后的乳腺鉬靶X線(xiàn)圖像，從其上邊緣向下裁剪40行，從其下邊緣向上裁剪40行，從其左邊緣向右裁剪10列，從其右邊緣向左裁剪10列，將剪裁后剩余的乳腺鉬靶X線(xiàn)圖像組成裁剪后的乳腺鉬靶X線(xiàn)圖像；(2d)采用最大類(lèi)間方差法，對(duì)裁剪后的乳腺鉬靶X線(xiàn)圖像進(jìn)行二值化處理，獲得乳腺組織區(qū)域；(2e)判斷是否處理完所有的圖像訓(xùn)練集和目標(biāo)圖像，如果是，執(zhí)行步驟(3)，否則，執(zhí)行步驟(2a)；(3)提取訓(xùn)練集圖像和目標(biāo)圖像的灰度特征：(3a)設(shè)置滑動(dòng)窗的大小為100×100個(gè)像素，相鄰滑動(dòng)窗的覆蓋率為75％；(3b)在圖像訓(xùn)練集中有乳腺腫塊的乳腺鉬靶X線(xiàn)圖像的乳腺組織區(qū)域內(nèi)，滑動(dòng)窗按照從左到右從上到下的順序進(jìn)行滑動(dòng)掃描，提取圖像訓(xùn)練集中有乳腺腫塊的乳腺鉬靶X線(xiàn)圖像的圖像塊的灰度特征向量；(3c)在圖像訓(xùn)練集中正常的乳腺鉬靶X線(xiàn)圖像的乳腺組織區(qū)域內(nèi)，滑動(dòng)窗按按照從左到右從上到下的順序行進(jìn)行滑動(dòng)掃描，提取圖像訓(xùn)練集中正常的乳腺鉬靶X線(xiàn)圖像的圖像塊的灰度特征向量；(3d)將有乳腺腫塊的乳腺鉬靶X線(xiàn)圖像的圖像塊的灰度特征向量，作為圖像訓(xùn)練集字典的腫塊特征向量，將正常的乳腺鉬靶X線(xiàn)圖像的圖像塊的灰度特征向量，作為圖像訓(xùn)練集字典的正常特征向量；(3e)在目標(biāo)圖像的乳腺組織區(qū)域內(nèi)，滑動(dòng)窗按照從左到右從上到下的順序行進(jìn)行滑動(dòng)掃描，提取目標(biāo)圖像的圖像塊的灰度特征向量，作為目標(biāo)特征向量；(4)第一次稀疏表示：(4a)用圖像訓(xùn)練集字典中每列的向量除以該向量的模值，得到歸一化單位向量；(4b)將目標(biāo)特征向量作為第一次迭代需要分解的向量；(4c)按照下式，計(jì)算第一次迭代需要分解的向量在圖像訓(xùn)練集字典中每一個(gè)向量方向上的投影向量：g＝<R0,d>d其中，g表示第一次迭代需要分解的向量在圖像訓(xùn)練集字典中的向量方向上的投影向量，R0表示第一次迭代需要分解的向量，d表示圖像訓(xùn)練集字典中的向量，<R0,d>表示第一次迭代需要分解的向量與圖像訓(xùn)練集字典中的向量的內(nèi)積；(4d)比較圖像訓(xùn)練集字典中所有向量方向的投影向量的大小，將其中最大的投影向量作為第一次迭代的最大投影向量；(4e)按照下式，計(jì)算第一次迭代需要分解的向量殘差：R1＝R0-h其中，R1表示第一次迭代需要分解的向量殘差，R0表示第一次迭代需要分解的向量，h表示第一次迭代的最大投影向量；(4f)按照下式，計(jì)算第一次迭代需要分解的向量殘差與圖像訓(xùn)練集字典中任意向量的內(nèi)積：p＝<R1,d>其中，p表示第一次迭代需要分解的向量殘差與圖像訓(xùn)練集字典中的向量的內(nèi)積，R1第一次迭代需要分解的向量殘差，d表示圖像訓(xùn)練集字典中的向量，(4g)判斷第一次迭代需要分解的向量殘差與圖像訓(xùn)練集字典中任意向量的內(nèi)積是否小于0.1，如果是，執(zhí)行步驟(4i)，否則，執(zhí)行步驟(4h)；(4h)將每一次迭代需要分解的向量殘差作為下一次迭代需要分解的向量，執(zhí)行步驟(4c)；(4i)將每一次迭代的內(nèi)積項(xiàng)按照迭代的次序進(jìn)行排列，得到稀疏表示系數(shù)；(4j)按照下式，對(duì)圖像訓(xùn)練集字典中的腫塊特征向量和正常特征向量分別進(jìn)行重構(gòu)：f＝Dα其中，f表示圖像訓(xùn)練集字典中腫塊特征向量和正常特征向量的重構(gòu)結(jié)果，D表示圖像訓(xùn)練集字典中的腫塊特征向量和正常特征向量，α表示稀疏表示系數(shù)；(4k)將腫塊特征向量和正常特征向量的重構(gòu)結(jié)果，分別與目標(biāo)特征向量進(jìn)行差值運(yùn)算，獲得腫塊特征向量和正常特征向量的重構(gòu)誤差；(4l)比較腫塊特征向量和正常特征向量的重構(gòu)誤差，將其中重構(gòu)誤差小的特征向量的類(lèi)別，作為該目標(biāo)圖像的圖像塊類(lèi)別，得到有腫塊的目標(biāo)圖像的圖像塊和正常的目標(biāo)圖像的圖像塊；(4m)將有腫塊的目標(biāo)圖像的圖像塊用100×100個(gè)像素的標(biāo)記框進(jìn)行標(biāo)記；(5)滑動(dòng)窗融合：(5a)按照下式，計(jì)算標(biāo)記后的乳腺鉬靶X線(xiàn)圖像中任意兩個(gè)標(biāo)記框的歐氏距離：其中，d表示乳腺鉬靶X線(xiàn)圖像中兩個(gè)標(biāo)記框的歐式距離，x1表示第1個(gè)標(biāo)記框左上點(diǎn)的橫坐標(biāo)，y1表示第1個(gè)標(biāo)記框左上點(diǎn)的縱坐標(biāo)，x2表示第2個(gè)標(biāo)記框左上點(diǎn)的橫坐標(biāo)，y2表示第2個(gè)標(biāo)記框左上點(diǎn)的縱坐標(biāo)；(5b)將乳腺鉬靶X線(xiàn)圖像中任意的兩個(gè)標(biāo)記框的歐式距離小于107個(gè)像素的兩個(gè)標(biāo)記框，作為乳腺鉬靶X線(xiàn)圖像中需要合并的兩個(gè)標(biāo)記框；(5c)將乳腺鉬靶X線(xiàn)圖像中需要合并的兩個(gè)標(biāo)記框中最小的橫坐標(biāo)值，作為合并標(biāo)記框左上角和左下角的橫坐標(biāo)值，將乳腺鉬靶X線(xiàn)圖像中需要合并的兩個(gè)標(biāo)記框中最大的橫坐標(biāo)值，作為合并標(biāo)記框右上角和右下角的橫坐標(biāo)值，將乳腺鉬靶X線(xiàn)圖像中需要合并的兩個(gè)標(biāo)記框中最大的縱坐標(biāo)值，作為合并標(biāo)記框左上角和右上角的縱坐標(biāo)值，將乳腺鉬靶X線(xiàn)圖像中需要合并的兩個(gè)標(biāo)記框中最小的縱坐標(biāo)值作為合并標(biāo)記框左下角和右下角的縱坐標(biāo)值，得到合并標(biāo)記框四個(gè)角的坐標(biāo)；(6)區(qū)域生長(zhǎng)：(6a)將合并標(biāo)記框中灰度值最高的像素點(diǎn)，作為種子像素點(diǎn)；(6b)選出種子像素點(diǎn)周?chē)徲蛑信c種子像素點(diǎn)的灰度差值小于3個(gè)像素的像素點(diǎn)，作為新的像素點(diǎn)；(6c)將新的像素點(diǎn)作為種子像素點(diǎn)按照步驟(6b)的方法，繼續(xù)向四周生長(zhǎng)；(6d)判斷合并標(biāo)記框中所有的像素點(diǎn)是否生長(zhǎng)完，若是，則將所有的種子像素點(diǎn)組成感興趣區(qū)域ROI，執(zhí)行步驟(7)，否則，執(zhí)行步驟(6c)；(7)提取ROI區(qū)域灰度特征：將感興趣區(qū)域ROI作為目標(biāo)圖像，按照步驟(3)的方法，提取感興趣區(qū)域ROI的灰度特征向量作為目標(biāo)特征向量；(8)第二次稀疏表示：按照步驟(4)的方法，對(duì)目標(biāo)特征向量進(jìn)行第二次稀疏表示，得到最終結(jié)果。本發(fā)明與現(xiàn)有方法相比具有如下優(yōu)點(diǎn)：第一，本發(fā)明通過(guò)一系列預(yù)處理方法，裁剪掉非乳腺區(qū)域，降低了原始乳腺鉬靶X線(xiàn)圖像的噪聲，克服了現(xiàn)有技術(shù)中存在的圖像數(shù)據(jù)容量大，檢測(cè)速率低的缺點(diǎn)，使得本發(fā)明大大提高了后期的檢測(cè)速率。第二，本發(fā)明通過(guò)兩次稀疏表示分類(lèi)方法，對(duì)第一次稀疏表示分類(lèi)結(jié)果進(jìn)行第二次稀疏表示分類(lèi)，克服了現(xiàn)有技術(shù)中存在的檢測(cè)準(zhǔn)確率低的缺點(diǎn)，使得本發(fā)明具有檢測(cè)準(zhǔn)確率高的優(yōu)點(diǎn)。第三，本發(fā)明通過(guò)滑動(dòng)窗融合方法和區(qū)域生長(zhǎng)算法，減少了第一次稀疏表示分類(lèi)后標(biāo)記框的數(shù)量，確定了腫塊大概區(qū)域，為第二次稀疏表示分類(lèi)縮小了檢測(cè)范圍，克服了現(xiàn)有技術(shù)中存在的假陽(yáng)性率高的問(wèn)題，使得本發(fā)明具有假陽(yáng)性率低的優(yōu)點(diǎn)。附圖說(shuō)明圖1為本發(fā)明的流程圖；圖2為本發(fā)明第一次稀疏表示結(jié)果顯示圖；圖3為本發(fā)明滑動(dòng)窗融合示意圖；圖4為本發(fā)明第二次稀疏表示結(jié)果顯示圖。具體實(shí)施方式下面結(jié)合附圖，對(duì)本發(fā)明作進(jìn)一步的詳細(xì)描述。參照附圖1，本發(fā)明實(shí)現(xiàn)的步驟如下。步驟1，讀入圖像。(1a)從乳腺鉬靶影像數(shù)字?jǐn)?shù)據(jù)庫(kù)(DDSM，TheDigitalDatabaseforScreeningMammography)選取100幅有乳腺腫塊的乳腺鉬靶X線(xiàn)圖像，100幅正常的乳腺鉬靶X線(xiàn)圖像，將所選取的200幅乳腺鉬靶X線(xiàn)圖像組成圖像訓(xùn)練集。(1b)從乳腺鉬靶影像數(shù)字?jǐn)?shù)據(jù)庫(kù)DDSM中選取234幅有乳腺腫塊的乳腺鉬靶X線(xiàn)圖像作為目標(biāo)圖像。步驟2，預(yù)處理。(2a)采用中值濾波的方法，對(duì)乳腺鉬靶X線(xiàn)圖像進(jìn)行去噪處理，中值濾波的方法如下：第一步，將中值濾波器的滑動(dòng)窗設(shè)置為3×3個(gè)像素的正方形窗。第二步，用正方形窗沿著乳腺鉬靶X線(xiàn)圖像行的方向逐像素滑動(dòng)，在每一次滑動(dòng)期間內(nèi)，將正方形窗中的所有像素的灰度值，按照由小到大的順序進(jìn)行排序，選取排序結(jié)果的中間值，替代正方形窗中心位置像素的灰度值。第三步，判斷是否處理完乳腺鉬靶X線(xiàn)圖像中的所有像素，若是，中值濾波完成，得到去噪后的乳腺鉬靶X線(xiàn)圖像，否則，執(zhí)行第二步。(2b)對(duì)去噪后的乳腺鉬靶X線(xiàn)圖像進(jìn)行下5采樣，下5采樣的方法如下：第一步，將下采樣的采樣間隔設(shè)置為5。第二步，在去噪后的乳腺鉬靶X線(xiàn)圖像中，每隔5個(gè)像素保留一個(gè)像素，將保留的所有像素構(gòu)成下采樣后的乳腺鉬靶X線(xiàn)圖像。(2c)對(duì)下5采樣后的乳腺鉬靶X線(xiàn)圖像，從其上邊緣向下裁剪40行，從其下邊緣向上裁剪40行，從其左邊緣向右裁剪10列，從其右邊緣向左裁剪10列，將剪裁后剩余的乳腺鉬靶X線(xiàn)圖像組成裁剪后的乳腺鉬靶X線(xiàn)圖像。(2d)采用最大類(lèi)間方差法，對(duì)裁剪后的乳腺鉬靶X線(xiàn)圖像進(jìn)行二值化處理，獲得乳腺組織區(qū)域，最大類(lèi)間方差法的方法如下：第一步，對(duì)裁剪后的乳腺鉬靶X線(xiàn)圖像中所有像素的灰度值求平均值，得到裁剪后的乳腺鉬靶X線(xiàn)圖像的平均灰度值。第二步，在裁剪后的乳腺鉬靶X線(xiàn)圖像中所有像素的灰度值中，選取最小值與最大值范圍之間的任意一個(gè)灰度值，作為目標(biāo)與背景的分割閾值。第三步，按照下式，計(jì)算目標(biāo)與背景的類(lèi)間方差：G＝w1×(u1-u)2+w2×(u2-u)2其中，G表示裁剪后的乳腺鉬靶X線(xiàn)圖像目標(biāo)與背景的類(lèi)間方差，w1表示裁剪后的乳腺鉬靶X線(xiàn)圖像中灰度值大于分割閾值t的目標(biāo)像素個(gè)數(shù)與乳腺鉬靶X線(xiàn)圖像總像素個(gè)數(shù)之比，u1表示裁剪后的乳腺鉬靶X線(xiàn)圖像目標(biāo)像素的平均灰度值，u表示裁剪后的乳腺鉬靶X線(xiàn)圖像的平均灰度值，w2表示裁剪后的乳腺鉬靶X線(xiàn)圖像中灰度值小于或等于分割閾值t的背景像素個(gè)數(shù)與乳腺鉬靶X線(xiàn)圖像總像素個(gè)數(shù)之比，u2表示裁剪后的乳腺鉬靶X線(xiàn)圖像背景像素的平均灰度值。第四步，遍歷目標(biāo)與背景的分割閾值t的所有取值，找尋類(lèi)間方差G最大時(shí)，分割閾值t所對(duì)應(yīng)的取值，將該值作為最佳分割閾值。第五步，提取裁剪后的乳腺鉬靶X線(xiàn)圖像所有灰度值大于最佳分割閾值t的像素，構(gòu)成乳腺組織區(qū)域。(2e)判斷是否處理完所有的圖像訓(xùn)練集和目標(biāo)圖像，如果是，執(zhí)行步驟(3)，否則，執(zhí)行步驟(2a)。步驟3，提取訓(xùn)練集圖像和目標(biāo)圖像的灰度特征。(3a)設(shè)置滑動(dòng)窗的大小為100×100個(gè)像素，相鄰滑動(dòng)窗的覆蓋率為75％。(3b)在圖像訓(xùn)練集中有乳腺腫塊的乳腺鉬靶X線(xiàn)圖像的乳腺組織區(qū)域內(nèi)，滑動(dòng)窗按照從左到右從上到下的順序進(jìn)行滑動(dòng)掃描，提取圖像訓(xùn)練集中有乳腺腫塊的乳腺鉬靶X線(xiàn)圖像的圖像塊的灰度特征向量。提取灰度特征向量的方法如下：第一步，逐列提取乳腺鉬靶X線(xiàn)圖像區(qū)域的灰度值。第二步，組合提取的各列灰度值，得到乳腺鉬靶X線(xiàn)圖像區(qū)域的灰度特征向量。(3c)在圖像訓(xùn)練集中正常的乳腺鉬靶X線(xiàn)圖像的乳腺組織區(qū)域內(nèi)，滑動(dòng)窗按按照從左到右從上到下的順序行進(jìn)行滑動(dòng)掃描，提取圖像訓(xùn)練集中正常的乳腺鉬靶X線(xiàn)圖像的圖像塊的灰度特征向量。(3d)將有乳腺腫塊的乳腺鉬靶X線(xiàn)圖像的圖像塊的灰度特征向量，作為圖像訓(xùn)練集字典的腫塊特征向量，將正常的乳腺鉬靶X線(xiàn)圖像的圖像塊的灰度特征向量，作為圖像訓(xùn)練集字典的正常特征向量。(3e)在目標(biāo)圖像的乳腺組織區(qū)域內(nèi)，滑動(dòng)窗按照從左到右從上到下的順序行進(jìn)行滑動(dòng)掃描，提取目標(biāo)圖像的圖像塊的灰度特征向量，作為目標(biāo)特征向量。步驟4，第一次稀疏表示。(4a)用圖像訓(xùn)練集字典中每列的向量除以該向量的模值，得到歸一化單位向量。(4b)將目標(biāo)特征向量作為第一次迭代需要分解的向量。(4c)按照下式，計(jì)算第一次迭代需要分解的向量在圖像訓(xùn)練集字典中每一個(gè)向量方向上的投影向量：g＝<R0,d>d其中，g表示第一次迭代需要分解的向量在圖像訓(xùn)練集字典中的向量方向上的投影向量，R0表示第一次迭代需要分解的向量，d表示圖像訓(xùn)練集字典中的向量，<R0,d>表示第一次迭代需要分解的向量與圖像訓(xùn)練集字典中的向量的內(nèi)積。(4d)比較圖像訓(xùn)練集字典中所有向量方向的投影向量的大小，將其中最大的投影向量作為第一次迭代的最大投影向量。(4e)按照下式，計(jì)算第一次迭代需要分解的向量殘差：R1＝R0-h其中，R1表示第一次迭代需要分解的向量殘差，R0表示第一次迭代需要分解的向量，h表示第一次迭代的最大投影向量。(4f)按照下式，計(jì)算第一次迭代需要分解的向量殘差與圖像訓(xùn)練集字典中任意向量的內(nèi)積：p＝<R1,d>其中，p表示第一次迭代需要分解的向量殘差與圖像訓(xùn)練集字典中的向量的內(nèi)積，R1第一次迭代需要分解的向量殘差，d表示圖像訓(xùn)練集字典中的向量。(4g)判斷第一次迭代需要分解的向量殘差與圖像訓(xùn)練集字典中任意向量的內(nèi)積是否小于0.1，如果是，執(zhí)行步驟(4i)，否則，執(zhí)行步驟(4h)。(4h)將每一次迭代需要分解的向量殘差作為下一次迭代需要分解的向量，執(zhí)行步驟(4c)。(4i)將每一次迭代的內(nèi)積項(xiàng)按照迭代的次序進(jìn)行排列，得到稀疏表示系數(shù)。(4j)按照下式，對(duì)圖像訓(xùn)練集字典中的腫塊特征向量和正常特征向量分別進(jìn)行重構(gòu)：f＝Dα其中，f表示圖像訓(xùn)練集字典中腫塊特征向量和正常特征向量的重構(gòu)結(jié)果，D表示圖像訓(xùn)練集字典中的腫塊特征向量和正常特征向量，α表示稀疏表示系數(shù)。(4k)將腫塊特征向量和正常特征向量的重構(gòu)結(jié)果，分別與目標(biāo)特征向量進(jìn)行差值運(yùn)算，獲得腫塊特征向量和正常特征向量的重構(gòu)誤差。(4l)比較腫塊特征向量和正常特征向量的重構(gòu)誤差，將其中重構(gòu)誤差小的特征向量的類(lèi)別，作為該目標(biāo)圖像的圖像塊類(lèi)別，得到有腫塊的目標(biāo)圖像的圖像塊和正常的目標(biāo)圖像的圖像塊。(4m)將有腫塊的目標(biāo)圖像的圖像塊用100×100個(gè)像素的標(biāo)記框進(jìn)行標(biāo)記。步驟5，滑動(dòng)窗融合。(5a)按照下式，計(jì)算標(biāo)記后的乳腺鉬靶X線(xiàn)圖像中任意兩個(gè)標(biāo)記框的歐氏距離：其中，d表示乳腺鉬靶X線(xiàn)圖像中兩個(gè)標(biāo)記框的歐式距離，x1表示第1個(gè)標(biāo)記框左上點(diǎn)的橫坐標(biāo)，y1表示第1個(gè)標(biāo)記框左上點(diǎn)的縱坐標(biāo)，x2表示第2個(gè)標(biāo)記框左上點(diǎn)的橫坐標(biāo)，y2表示第2個(gè)標(biāo)記框左上點(diǎn)的縱坐標(biāo)。(5b)將乳腺鉬靶X線(xiàn)圖像中任意的兩個(gè)標(biāo)記框的歐式距離小于107個(gè)像素的兩個(gè)標(biāo)記框，作為乳腺鉬靶X線(xiàn)圖像中需要合并的兩個(gè)標(biāo)記框。(5c)將乳腺鉬靶X線(xiàn)圖像中需要合并的兩個(gè)標(biāo)記框中最小的橫坐標(biāo)值，作為合并標(biāo)記框左上角和左下角的橫坐標(biāo)值，將乳腺鉬靶X線(xiàn)圖像中需要合并的兩個(gè)標(biāo)記框中最大的橫坐標(biāo)值，作為合并標(biāo)記框右上角和右下角的橫坐標(biāo)值，將乳腺鉬靶X線(xiàn)圖像中需要合并的兩個(gè)標(biāo)記框中最大的縱坐標(biāo)值，作為合并標(biāo)記框左上角和右上角的縱坐標(biāo)值，將乳腺鉬靶X線(xiàn)圖像中需要合并的兩個(gè)標(biāo)記框中最小的縱坐標(biāo)值作為合并標(biāo)記框左下角和右下角的縱坐標(biāo)值，得到合并標(biāo)記框四個(gè)角的坐標(biāo)。步驟6，區(qū)域生長(zhǎng)。(6a)將合并標(biāo)記框中灰度值最高的像素點(diǎn)作為種子像素點(diǎn)。(6b)選出種子像素點(diǎn)周?chē)徲蛑信c種子像素點(diǎn)的灰度差值小于3個(gè)像素的像素點(diǎn)，作為新的像素點(diǎn)。(6c)將新的像素點(diǎn)作為種子像素點(diǎn)執(zhí)行步驟(6b)繼續(xù)向四周生長(zhǎng)。(6d)判斷合并標(biāo)記框中所有的像素點(diǎn)是否生長(zhǎng)完，若是，則將所有的種子像素點(diǎn)組成感興趣區(qū)域ROI，執(zhí)行步驟(7)，否則，執(zhí)行步驟(6c)。步驟7，提取ROI區(qū)域灰度特征。將感興趣區(qū)域ROI作為目標(biāo)圖像，按照步驟3的方法，提取感興趣區(qū)域ROI的灰度特征向量作為目標(biāo)特征向量。步驟8，第二次稀疏表示。按照步驟4的方法，對(duì)目標(biāo)特征向量進(jìn)行第二次稀疏表示，得到最終結(jié)果。本發(fā)明的效果可以通過(guò)以下仿真做進(jìn)一步的說(shuō)明。1.仿真條件：本發(fā)明是在中央處理器為Intel(R)Corei3-21003.10GHZ、內(nèi)存4G、WINDOWS7操作系統(tǒng)上，運(yùn)用MATLAB軟件進(jìn)行的仿真。2.仿真內(nèi)容：本發(fā)明所有的乳腺鉬靶X線(xiàn)圖像來(lái)自DDSM數(shù)據(jù)庫(kù)，任意選取200幅乳腺鉬靶X線(xiàn)圖像做訓(xùn)練集，其中有腫塊圖像為100幅，正常圖像為100幅，任意選取的234幅腺鉬靶X線(xiàn)作為測(cè)試圖像，測(cè)試圖像均為有腫塊圖像。本發(fā)明以檢出率和假陽(yáng)性率進(jìn)行評(píng)測(cè)，檢出率直接反映了分類(lèi)器的優(yōu)劣，檢出率的計(jì)算用檢測(cè)出的腫塊的數(shù)量除以所有腫塊的數(shù)量，因此檢出率越高，表明分類(lèi)器的性能越好。假陽(yáng)性率直接反映了分類(lèi)器的準(zhǔn)確性，假陽(yáng)性率的計(jì)算是正常錯(cuò)分為腫塊的數(shù)量除以所有腫塊的數(shù)量，假陽(yáng)性越低，分類(lèi)器的性能越好。圖2為本發(fā)明的滑動(dòng)窗融合過(guò)程仿真圖。圖2(a)為滑動(dòng)窗融合之前的效果仿真圖，圖2(a)中細(xì)線(xiàn)標(biāo)記框?yàn)榛瑒?dòng)窗融合之前的標(biāo)記框。圖2(b)為滑動(dòng)窗融合之后的效果仿真圖，圖2(b)中以細(xì)線(xiàn)標(biāo)記的框?yàn)榛瑒?dòng)窗融合之前的標(biāo)記框，以粗線(xiàn)標(biāo)記的框?yàn)榛瑒?dòng)窗融合之后的標(biāo)記框。圖3為第一次稀疏表示結(jié)果仿真圖，圖3中以細(xì)線(xiàn)標(biāo)記的框表示有腫塊區(qū)域。圖4為第二次稀疏表示結(jié)果仿真圖，圖4中以細(xì)線(xiàn)標(biāo)記的框表示有腫塊區(qū)域。3.仿真效果分析：本發(fā)明的仿真實(shí)驗(yàn)采用SVM分類(lèi)器作對(duì)比。采用SVM分類(lèi)器作對(duì)比的原因是SVM分類(lèi)器的通用性較好，分類(lèi)精度高、分類(lèi)速度快，是常用的分類(lèi)器之一。對(duì)比實(shí)驗(yàn)結(jié)果如下表所示：表1本發(fā)明與SVM分類(lèi)器結(jié)果對(duì)比上表中，第一列表示DDSM數(shù)據(jù)庫(kù)中不同的case，第二列表示本發(fā)明提出的基于滑動(dòng)窗融合兩次稀疏表示的檢測(cè)結(jié)果，第三列表示用于做對(duì)比的SVM分類(lèi)器的檢測(cè)結(jié)果。下表所有數(shù)據(jù)中分子表示檢測(cè)出的腫塊數(shù)量，分母表示該case中所有的腫塊數(shù)量。由上表所顯示的檢出率和假陽(yáng)性率結(jié)果可知，本發(fā)明與SVM分類(lèi)器相比，檢出率要高，假陽(yáng)性率要低，說(shuō)明本發(fā)明的分類(lèi)效果與SVM分類(lèi)器相比是比較好的，這是因?yàn)楸景l(fā)明在第一次稀疏表示分類(lèi)之后，將得到的滑動(dòng)窗進(jìn)行自適應(yīng)融合，再通過(guò)區(qū)域生長(zhǎng)算法進(jìn)行ROI區(qū)域提取，通過(guò)對(duì)第一次稀疏表示的檢測(cè)結(jié)果進(jìn)行特征分析，設(shè)計(jì)了第二次稀疏表示來(lái)重新對(duì)融合后的可疑區(qū)域進(jìn)行標(biāo)記，第二次稀疏表示后，得到的結(jié)果中標(biāo)記框更少，腫塊的位置更精確。綜上所述，本發(fā)明能有效地檢測(cè)出乳腺腫塊，提高了腫塊的檢測(cè)率，降低了假陽(yáng)性率，達(dá)到了很好的檢測(cè)效果。