示出，其中自始至終 相同或類似的標(biāo)號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附 圖描述的實施例是示例性的，僅用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制。
[0056] 在本發(fā)明的描述中，需要理解的是，術(shù)語"縱向"、"橫向"、"上"、"下"、"前"、"后"、 "左"、"右"、"豎直"、"水平"、"頂"、"底" "內(nèi)"、"外"等指示的方位或位置關(guān)系為基于附圖所 示的方位或位置關(guān)系，僅是為了便于描述本發(fā)明和簡化描述，而不是指示或暗示所指的裝 置或元件必須具有特定的方位、以特定的方位構(gòu)造和操作，因此不能理解為對本發(fā)明的限 制。
[0057] 在本發(fā)明的描述中，除非另有規(guī)定和限定，需要說明的是，術(shù)語"安裝"、"相連"、 "連接"應(yīng)做廣義理解，例如，可以是機械連接或電連接，也可以是兩個元件內(nèi)部的連通，可 以是直接相連，也可以通過中間媒介間接相連，對于本領(lǐng)域的普通技術(shù)人員而言，可以根據(jù) 具體情況理解上述術(shù)語的具體含義。
[0058] 如圖1所示，一種自動定位體內(nèi)胃腸特征點的方法，其關(guān)鍵在于，包括如下步驟：
[0059] 步驟1，獲取胃腸原始圖片數(shù)據(jù)并進行分割編號，對該數(shù)據(jù)進行初步定位篩選，獲 得定位篩選后的測試集；
[0060] 步驟2,提取訓(xùn)練集的WLD直方圖特征，用來訓(xùn)練KNN分類器；
[0061] 所述步驟2中提取訓(xùn)練集的WLD直方圖特征的描述，其中所提取的訓(xùn)練集為預(yù)先 獲取的準(zhǔn)確的訓(xùn)練集。
[0062] 步驟3,提取測試集的WLD直方圖特征，并用訓(xùn)練完成的KNN分類器為測試集分類； 根據(jù)分類結(jié)果進行精確定位胃腸特征點信息。
[0063] 如圖2所示，所述的自動定位體內(nèi)胃腸特征點的方法，優(yōu)選的，所述步驟1初步定 位篩選的步驟包括：
[0064] 步驟1-1，將整個圖片數(shù)據(jù)劃分為連續(xù)的區(qū)間，每個區(qū)間包含L張圖片；
[0065] 步驟1-2,每個區(qū)間內(nèi)設(shè)置兩個連續(xù)的窗口wl，窗口w2,其大小分別為nl和n2， 窗口wl和窗口w2連接處的圖片序號為mid，其中每個窗口包括若干圖片，排列順序為窗口 wl、mid、窗口《2,依據(jù)設(shè)置在窗口wl和窗口w2的圖片數(shù)量，依次向后移動；
[0066] 步驟1-3,計算出窗口wl和窗口w2內(nèi)圖像的紅色分量的平均值，記為mrl和mr2 ; mr2/mrl表示紅色分量的變化程度，mr2/mrl越大，mid前后圖像變化越明顯；記錄下mid 的mr2/mrl值，并把兩個窗口以step的步長往后移動；每個mid以同樣的方式計算出mr2/ mrl，并存儲記錄；
[0067] 步驟1-4,每個區(qū)間內(nèi)選擇mr2/mrl最大的四個值所對應(yīng)的序號mid，作為胃腸特 征點的候選位置序號。
[0068] 所述的自動定位體內(nèi)胃腸特征點的方法，優(yōu)選的，所述步驟2包括：
[0069] WLD直方圖特征是基于全局特征點的描述子，包括兩個參數(shù)：差異激勵和方向角； 提取的WLD直方圖特征的步驟為，
[0070] 步驟2-1，計算差異激勵，
[0071]I。是當(dāng)前像素點的灰度值，Ii是當(dāng)前點鄰域的灰度值，P是鄰域大小，e(I。）是當(dāng) 前像素點的差異激勵，通常情況下，如果e(I。）是正數(shù)，意味著當(dāng)前點比周圍暗，反之，若 e(I。）是負數(shù)，則說明當(dāng)前點比周圍亮，
[0073] 改進后的差異激勵計算方式則選擇了兩個鄰域的大小，pi和p2,當(dāng)p=pi時，計 算出的UI。）權(quán)重值為％，當(dāng)P=P2時，計算出的UI。）權(quán)重值為，該過程看作原圖 經(jīng)過濾波器f#f2處理，frati()1是經(jīng)過fr濾波的輸出，匕"。2是匕的輸出，《種《 2的取 值不同，決定著不同的鄰域?qū)Ξ?dāng)前像素點的影響程度不同；
[0078] 另外，將圖像的灰度值調(diào)整到[1，256];
[0079] 步驟2-2,計算方向角，
[0081] 其中，ocO和ocl是原始圖像經(jīng)過濾波器filterO和filterl處理后的輸出，對 于一個指定的像素點，〇c0 =I5_I1;ocO=I7-13;經(jīng)過映射m: 0 - 0 '，0的值域范圍由
I映射到[0, 2JT];
[0082] [0, 2JT]是一個區(qū)間，指0的取值范圍在0和2JT之間；
[0083] 0 ' =m( 9 ) +JT，
[0084] 其中，
[0086] 進一步將9 '量化為T個主方向角，t為具體主方向角，量化公式為：
[0088] 令T= 8,于是方向角取值由[0, 2JT]映射為T個主方向角％~外-
[0089] 步驟2-3,獲取WLD直方圖特征，
[0090]利用步驟2-1和2-2計算出的差異激勵和方向角得到圖片的二維向量表示為 {WLDUj，0t)}，其中，圖片維數(shù)j= 0，1，…N-1，而七=0，1，一1'_14是圖片的維數(shù)序數(shù)； 為了進一步分類的需要，我們把{WLD(q，0t)}映射為一維向量；首先，將{WLD(q，0t)} 按照每個像素點的梯度方向分解成T個子序列H(t)，然后把每個子序列H(t)按照G(I。） 的值分為M段；接下來進行直方圖統(tǒng)計，形成二維直方圖統(tǒng)計矩陣，大小為M*T;按照行把該 二維矩陣展開形成一維數(shù)組，就得到了最終的WLD直方圖特征信息。
[0091] 所述的自動定位體內(nèi)胃腸特征點的方法，優(yōu)選的，所述步驟3包括：
[0092] 步驟3-1，標(biāo)記胃腸特征點前的圖片為-1，胃腸特征點之后的圖片為+1，提取改進 后的WLD直方圖特征來訓(xùn)練KNN分類器；
[0093] 步驟3-2,候選胃腸特征點的序號為d，選取d附近序號為[d_100，d+100]的201張 圖片作為測試集，如果[d-100,d-1]之間的圖片大部分被標(biāo)記為-1，且大部分[d+1，d+100] 之間的圖片被標(biāo)記為+1，認定該點為精確的胃腸特征點位置；
[0094] 步驟3-3,當(dāng)[d-100,d-1]之間圖片的標(biāo)記和小于一個閾值，[d+1，d+100]之間的 圖片標(biāo)記和大于一個閾值，認定d為胃腸特征點的精確位置；否則，用相同的方式來判定下 一個胃腸特征點是否為正確的胃腸特征點位置。
[0095] 在圖1中有描述KNN分類器，為K最鄰近（K-NearestNeighbor)算法，
[0096] 如果一個樣本在特征空間中的K個特征空間中最鄰近的樣本中的多數(shù)屬于某一 個類別，則該樣本也屬于這個類別；KNN分類器算法中，所選擇的鄰居都是已經(jīng)正確分類的 對象；該方法在定類決策上只依據(jù)最鄰近的K個樣本的類別來決定待分樣本所屬的類別； [0097] 所述的自動定位體內(nèi)胃腸特征點的方法，優(yōu)選的，所述步驟3中訓(xùn)練KNN分類器的 步驟包括：
[0098] 步驟A，初始化圖片幀數(shù)的距離為最大值；
[0099] 步驟B，計算測試集和每個訓(xùn)練集的距離dist;
[0100] 步驟C，得到K個最臨近測試集和訓(xùn)練集中的最大距離maxdist;
[0101] 步驟D，如果dist小于maxdist，則將該訓(xùn)練集作為K最近鄰樣本；
[0102] 步驟E，重復(fù)步驟B、C、D，直到測試集和所有訓(xùn)練集的距離都計算完畢；
[0103] 步驟F，獲取K最近鄰樣本中每個類標(biāo)號出現(xiàn)的次數(shù)；
[0104] 步驟G，選擇出現(xiàn)頻率最大的類標(biāo)號作為未知樣本的類標(biāo)號。
[0105] 優(yōu)選實施方式為：在初步定位階段我們已經(jīng)確定了 70~150個幽門候選點。同 時，膠囊內(nèi)鏡圖片具有時序性，且一般情況下膠囊進入小腸后不會再返回到胃中。所以我們 可以按照圖片的時序性將幽門候選點進行排序。理論上，一旦我們定位出一個幽門精確位 置就可以不用檢測后面的數(shù)據(jù)了，這樣可以大大減少時間成本。但為了保證算法的正確性， 我們檢測出3個精確點來供醫(yī)務(wù)人員確定。這樣既減少了醫(yī)務(wù)人員的負擔(dān)，又保證了算法 的可行性。
[0106] 精確定位幽門的算法和初步定位的方法在一定程度