果；每張圖中都有兩個幾乎完全重合的深灰色點，分別代表所有圖像塊對目標(biāo)位置的 預(yù)測結(jié)果的加權(quán)組合，即整張圖像對目標(biāo)點位置的最終預(yù)測結(jié)果，和目標(biāo)點位置的標(biāo)準(zhǔn)答 案，即用戶手動點取的目標(biāo)點位置。第二行的兩張圖像顯示了對5個目標(biāo)點的預(yù)測結(jié)果，不 同灰度值的點分別表示對不同目標(biāo)點的位置預(yù)測結(jié)果；
[0029] 圖10為肋骨檢測結(jié)果圖。其中四張圖分別表示對不同的胸腔X光片的目標(biāo)點位 置預(yù)測結(jié)果（由5種不同灰度值的點表示對不同的目標(biāo)點的位置預(yù)測結(jié)果），以及對目標(biāo)肋 骨的框選結(jié)果（由淺藍(lán)色的多邊形框給出）；
【具體實施方式】
[0030]圖1給出了基于隨機(jī)森林回歸的胸腔X光片肋骨檢測方法的總體處理流程，下面 結(jié)合其他附圖及【具體實施方式】進(jìn)一步說明本發(fā)明。
[0031] 本發(fā)明提供一種基于隨機(jī)森林回歸的胸腔X光片肋骨檢測方法，使用數(shù)十張帶有 目標(biāo)位置信息（如肋骨位置標(biāo)識）的胸腔X光片作為訓(xùn)練圖像，提取圖像信息，訓(xùn)練一個隨 機(jī)森林回歸器，并使用它對新的胸腔X光片中的目標(biāo)點位置（如肋骨標(biāo)識點位置）及目標(biāo) 位置（如某根肋骨的位置）進(jìn)行檢測。
[0032] 具體步驟實現(xiàn)如下：
[0033] 1、基于隨機(jī)采樣的圖像塊生成及其H0G特征描述
[0034] 該方法的流程圖如圖2所示，首先，讀取一張用于訓(xùn)練或測試的胸腔X光圖像，并 對圖像進(jìn)行網(wǎng)格劃分，利用網(wǎng)格劃分結(jié)果，選取圖像塊（patch)，構(gòu)建稠密采樣空間；然后， 對圖像塊（patch)進(jìn)行網(wǎng)格劃分，利用網(wǎng)格，選取小圖像塊（block);使用傳統(tǒng)方法提取圖 像塊（patch)中每個小圖像塊（block)的H0G特征描述子，并將其串聯(lián)起來，構(gòu)成圖像塊 (patch)的特征描述向量；最后將圖像塊（patch)的特征描述向量并聯(lián)，構(gòu)成圖片的特征描 述子矩陣，進(jìn)一步構(gòu)成稠密特征空間。
[0035] 在上述中，需要明確圖像和圖像塊（patch)的網(wǎng)格劃分?jǐn)?shù)目，以及H0G特征的直方 圖維度數(shù)，據(jù)此可以確定每張圖像提取的H0G特征描述子矩陣的大小。由于不同的網(wǎng)格數(shù) 目設(shè)定會影響到圖像塊（patch)和小圖像塊（block)的數(shù)量、選取的尺度和縱橫比，進(jìn)而 對特征描述子矩陣的維度、特征提取時間、描述準(zhǔn)確度產(chǎn)生影響，綜合考慮，初始化圖像的 網(wǎng)格劃分?jǐn)?shù)為8X8,圖像塊（patch)的網(wǎng)格劃分?jǐn)?shù)為6X6 ;提取每個小圖像塊（block)的 H0G特征描述子時，設(shè)置均分的9個梯度方向區(qū)間，對圖像塊（block)內(nèi)的梯度方向進(jìn)行統(tǒng) 計，即對每個小圖像塊（block)來說，使用傳統(tǒng)的H0G特征提取方法，提取9維H0G描述子 向量。
[0036] 首先，對讀取的胸腔X光圖像進(jìn)行8X8的網(wǎng)格劃分，顯然，劃分后的圖像上共有 9X9個網(wǎng)格頂點，從這些網(wǎng)格頂點中任取不共線的兩個點（不在同一條橫線也不在同一條 豎線上），即可作為一個圖像塊（patch)的一對對角頂點，通過這種方法，可以選定一個圖 像塊（patch)。
[0037] 根據(jù)上述對圖像塊（patch)選取方法的描述，可以計算出，每張圖像可以取得的 圖像塊（patch)總數(shù)為
；個。以這1296個圖像塊（patch)為 一組，作為一張胸腔X光圖像的代表。
[0038]對這1296個圖像塊中的每一個圖像塊（patch)，并對其進(jìn)行6X6網(wǎng)格劃分。按 照與圖像塊（patch)選取相似的方法，選擇不共線的兩個網(wǎng)格頂點，定位一個小圖像塊 (block)，作為提取H0G描述子的基本單元?？梢杂嬎愠?，從每一個圖像塊（patch)中，可以 提]
個小圖像塊（block)。
[0039] 對每個小圖像塊（block)的全部像素進(jìn)行梯度方向的直方圖統(tǒng)計（histogramthe orientationofgradient)，按照傳統(tǒng)方法，得到這個小圖像塊（block)的9維HOG特征描 述子，然后將從當(dāng)前圖像塊（patch)中提取的所有小圖像塊（block)的9維H0G特征描述 子直接串聯(lián)起來，形成一個441X9 = 3969維的特征描述向量，作為當(dāng)前圖像塊（patch)的 H0G特征描述子。
[0040] 使用傳統(tǒng)方法提取小圖像塊（block)的9維H0G特征描述子算法的流程如下：
[0041]a)計算圖像每個像素灰度的梯度方向和幅值，分別記做angle和magnit(angle和 magnit均是與圖像大小相同的二維標(biāo)量矩陣）；
[0042]b)對圖像塊（patch)進(jìn)行6X6網(wǎng)格劃分后，統(tǒng)計每個網(wǎng)格內(nèi)，落入9個梯度方向 區(qū)間的像素數(shù)目，即分別計算每個網(wǎng)格的未歸一化的9維H0G特征描述子；
[0043]c)接下來計算組成圖像塊（patch)的所有小圖像塊（block)的9維H0G特征。將 組成小圖像塊（block)的各個網(wǎng)格的未歸一化的9維H0G特征描述子相加（直接進(jìn)行向量 相加即可，每個元素對應(yīng)相加），形成各個小圖像塊（block)的未歸一化的9維H0G特征描 述子；
[0044]d)將上一步得到的小圖像塊（block)特征描述子歸一化，即可得到該小圖像塊 (block)的H0G特征描述子。
[0045] 2、基于特征塊與目標(biāo)點距離分布的隨機(jī)森林回歸器生成
[0046] 本部分主要分為兩大步驟，一是目標(biāo)點的選取和圖像特征塊（patch)與目標(biāo)點距 離分布的描述，二是根據(jù)圖像塊（patch)的特征描述矩陣和圖像特征塊（patch)與目標(biāo)點 距離分布的位移矩陣，進(jìn)行隨機(jī)森林回歸器的訓(xùn)練。流程示意圖如圖5所示
[0047](1)、特征塊與目標(biāo)點距離分布的計算
[0048] 給定任意一張訓(xùn)練圖像，為了簡單而不失準(zhǔn)確性的描述一根肋骨的位置，使用沿 肋骨均勻分布的5個標(biāo)識點（也稱目標(biāo)點）對該肋骨的位置進(jìn)行描述，如圖3所示。然后 程序根據(jù)用戶的選擇，提取目標(biāo)點到特征塊中心的位移描述信息。算法的詳細(xì)流程如算法 3-1所示。
[0049] ?算法3-1目標(biāo)點位置信息的生成與描述：
[0050]a)用戶自主選取5個目標(biāo)點，系統(tǒng)記錄目標(biāo)點位置；
[0051]b)系統(tǒng)計算所有圖像塊（patch)的中心位置；
[0052]c)針對圖中的每個目標(biāo)點，進(jìn)行如下計算：
[0053]i.計算目標(biāo)點到圖像的每個圖像塊（patch)中心的橫坐標(biāo)位移，組成橫坐標(biāo)位移 向量。
[0054]ii.計算目標(biāo)點到圖像的每個圖像塊（patch)中心的縱坐標(biāo)位移，組成縱坐標(biāo)位 移向量。
[0055] 整合每個目標(biāo)點到圖像塊中心的位移向量，獲得整張圖片中全部目標(biāo)點相對于圖 像塊的位移分布的描述矩陣。
[0056](2)、隨機(jī)森林回歸器的設(shè)計與實現(xiàn)
[0057] 以步驟1得到的訓(xùn)練圖像特征塊集合和圖像塊特征向量構(gòu)成的集合，分別作為學(xué) 習(xí)訓(xùn)練的輸入空間和特征空間，以步驟2(1)得到的目標(biāo)點到訓(xùn)練圖像稠密采樣空間中圖 像塊中心的位移向量為學(xué)習(xí)訓(xùn)練的輸出空間實例，進(jìn)一步進(jìn)行隨機(jī)森林回歸器的訓(xùn)練。
[0058] 在步驟2(1)中，共獲得了5個目標(biāo)點的位置信息，這樣，在輸出空間中，能夠得到 10個輸出向量實例。其中，第2j個輸出向量中的第i個元素，代表稠密采樣空間中第i個 圖像塊到第j個目標(biāo)點的縱坐標(biāo)位移，第2j_l個輸出向量中的第i個元素，代表稠密采樣 空間中第i個圖像塊到第j個目標(biāo)點的橫坐標(biāo)位移。針對每一列輸出向量，訓(xùn)練一個隨機(jī) 森林回歸器，用于預(yù)測相應(yīng)目標(biāo)點到圖像塊中心的橫/縱坐標(biāo)位移。
[0059] 訓(xùn)練每一個隨機(jī)森林回歸器的算法描述如算法3-2所示。
[0060] ?算法3-2訓(xùn)練隨機(jī)森林回歸器：
[0061] (1)設(shè)定隨機(jī)森林參數(shù)；（相關(guān)的隨機(jī)森林參數(shù)在表1中給出）；
[0062] (2)隨機(jī)選擇一定數(shù)目的（該數(shù)目由表1中給出的ranFeaNum決定）、用于單個回 歸樹訓(xùn)練的圖像塊（patch)特征描述矩陣，及與之相應(yīng)的目標(biāo)點到圖像塊中心的位移；
[0063] (3)進(jìn)行單個回歸樹的訓(xùn)練：
[0064]a)當(dāng)節(jié)點集合中還有未進(jìn)行過模型（弱分類器或葉子節(jié)點預(yù)測器）訓(xùn)練的節(jié)點 時，取該節(jié)點，進(jìn)行終止條件判斷，如果滿足終止條件，轉(zhuǎn)入c)，否則，轉(zhuǎn)入b);當(dāng)節(jié)點集合 中所有的節(jié)點都已進(jìn)行過模型訓(xùn)練，則當(dāng)前回歸樹已經(jīng)訓(xùn)練完成，轉(zhuǎn)入〇 ;
[0065] b)根據(jù)弱分類器編號參數(shù)，訓(xùn)練該節(jié)點上的二分弱分類器，將節(jié)點標(biāo)識為中間節(jié) 點，并獲得其左右子節(jié)點，將它們加入節(jié)點集合中，轉(zhuǎn)入a);
[0066]c)將該節(jié)點標(biāo)識為葉子節(jié)點，進(jìn)行葉子節(jié)點預(yù)測器的訓(xùn)練，轉(zhuǎn)入a);
[0067] 若當(dāng)前回歸樹的編號小于隨機(jī)森林中的回歸樹總數(shù)的設(shè)定，則轉(zhuǎn)入（2)，否則，隨 機(jī)森林回歸器訓(xùn)練完成，結(jié)束算法。
[0068] 隨機(jī)森林的參數(shù)設(shè)置對于其訓(xùn)練效率、回歸性能等都有很大的影響。
[0069]對隨機(jī)森林的訓(xùn)練包括對隨機(jī)森林中的隨機(jī)模型（RandomnessModel)、回歸樹 中間節(jié)點上的弱分類器模型（WeakLearnerModel)、分類終止條件模型（EndCondition Model)、回歸樹的葉子節(jié)點預(yù)測模型（LeafPredictionModel)和作為中間節(jié)點上數(shù)據(jù)的 二分割標(biāo)準(zhǔn)的能量模型（EnergyModel)的訓(xùn)練。因此，實驗需要針對這些模型，設(shè)置相應(yīng) 的參數(shù)（詳見表1)，對隨機(jī)森林的訓(xùn)練過程進(jìn)行控制。
[0070] 除了上述模型相關(guān)的參數(shù)之外，還需要設(shè)置參數(shù)對隨機(jī)森林的基本屬性（例如隨 機(jī)森林的大?。┻M(jìn)行控制。
[0071] 本次實驗設(shè)定結(jié)構(gòu)體forestModel來記錄隨機(jī)森林的相關(guān)參數(shù)，該結(jié)構(gòu)體的元素 及其含義和缺省值或初始值設(shè)置如表1所示。
[0072]表lforestModel結(jié)構(gòu)體元素設(shè)定表（隨機(jī)森林參數(shù)設(shè)定表）
[0073]
[0074]
[0075] 由于步驟1中得到的圖像特征塊集合巨大，當(dāng)訓(xùn)練圖像集中有η張圖像時