Wce视频分段提取显著特征信息的方法

Wce视频分段提取显著特征信息的方法
【技术领域】
[0001] 本发明设及计算机领域，尤其设及一种WCE视频分段提取显著特征信息的方法。
【背景技术】
[0002] 通常胶囊内镜至少W2f/s(帖每秒）的速率传输所拍摄到的消化道内壁图像，在 人体内大约停留8小时，大概产生50000-60000幅图像。胶囊内窥镜（WirelessCapsule 化doscope，WC巧取代了传统插入式内窥镜。由于胶囊内窥镜在临床领域中扮演着重要的角 色，如；消化道不明原因的出血检测，克罗恩病的诊断W及小肠肿瘤诊断等消化道疾病的诊 断。然而，该些诊断方法都是非自动的人力密集型的方式，该样的方式需要消耗医生大量的 时间W及精力。即使是一个训练有素的专家医生通过该些手工的方法来检测WCE视频图像 的异常图像，如；出血或者溃瘍的图像，也需要超过一个小时的时间，对于其他非专家医生 来说，需要的时间则更长，高达3~4个小时。所从为了解决该一难题，研究者们提出了一 些方法来减轻医生的负担。

【发明内容】

[0003] 本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种WCE视 频分段提取特征信息的方法。
[0004] 为了实现本发明的上述目的，本发明提供了 一种通过提取HSI特征对WCE视频分 段提取显著特征信息的方法，其关键在于，包括如下步骤：
[0005] 步骤1，获取待提取特征信息的图片数据，将待提取特征信息的图片数据的RGB颜 色特征转换为服I颜色特征，将转换为服I颜色特征后的图片数据进行量化降维；
[0006] 步骤2,将量化降维处理的图片数据通过朴素贝叶斯分类器算法进行分类后，获取 带有显著特征信息的WCE视频图像分段模型。
[0007] 所述的通过提取服I特征对WCE视频分段提取显著特征信息的方法，优选的，步骤 1包括：
[000引步骤1-1，输入图像的R、G、B值，其对应的HSI模型中的H、S、I分量由公式计算得 到，
[0011]I= (R+G+B)/3
[0012]
[001引其中，R、G、B为图片像素的红、绿、藍刺激值。
[0014] 所述的通过提取服I特征对WCE视频分段提取显著特征信息的方法，优选的，步骤 1还包括：
[0015] 步骤1-2,色度量化成8个空间，把饱和度量化成3个空间，把亮度分别量化成3个 空间，即颜色空间被分层了 8X3X3的区间，具体量化值为，
[0016] 设变量h、S、i，分别表示量化中H、S、I的取值范围，计算如下，
[0020] 则通过上式分别对H、S、I进行量化，具体量化值如下；
[0021]
[0024] 所述的通过提取HSI特征对WCE视频分段提取显著特征信息的方法，优选的，步骤 2包括；
[0025] 步骤2-1，设D是训练元组和其相关联的类标号的集合，每个元组用一个n维属性 向量X= {x。X2,. . .，X。}表示，分别描述元组在n个属性集A。A2,........A。对元组的n个 度量，且各属性之间相互独立；
[0026] 步骤2-2,假设有m个类Cl,C2,C3,.....(；，给定元组X，分类法将预测X属于最 高后验概率的类，也就是说朴素贝叶斯法预测X属于类。，当且仅当口咕|幻>P(Cj.|X) 1《j《m,j声i，其中i、j为正整数，
[0027] 该样，最大化P(。I幻，P(。I幻最大的类。称为最大后验假设，根据贝叶斯定理， [002引
[0029] 步骤2-3,由于P佩对所有类为常数，所WP狂|Ci)P(。）最大即可，若类是先验概 率未知，则通常假定该些类是等概率的，即P(Cl) =P(C2) = . . . =P(Cm)，并据此对P狂I 最大化；否则，最大化P狂|Ci)P(。）；
[0030] 步骤2-4,给定元组的类标号，且属性值有条件地相互独立，因此，
[0031]
[0032] Xk表示元组X在属性Ak的值，由于Ak是分类属性，则P(XkI是D中属性Ak的值 为Xk的Ci类的元组数ICldI;
[003引步骤2-5,为了预测X的类标号，对每个类计算P狂I。)P咕），该分类法预测输 入元组X的类为当且仅当，
[0034] P狂|Ci)P(。）>Pa|Cj)P(Cj), 1《j《m，j声i，
[0035] 被预测的类标号是使P间Ci)P(。）最大的。。
[0036] 本发明还公开一种通过提取LBP特征对WCE视频分段提取显著特征信息的方法， 其关键在于，包括如下步骤：
[0037] 步骤r，获取待提取特征信息的图片数据，提取基于RGB信息的图片数据的LBP纹 理特征，将转换为LBP纹理特征后的图片数据进行量化降维；
[003引步骤2'，将量化降维处理的图片数据通过朴素贝叶斯分类器算法进行分类后，获 取带有显著特征信息的WCE视频图像分段模型。
[0039] 所述的通过提取LBP特征对WCE视频分段提取显著特征信息的方法，优选的，所述 步骤r包括：
[0040] 步骤r-1，对于图像中每一个像素，将其相邻的8个点进行顺时针或逆时针的比 较，如果中屯、像素值比该邻点大，则将邻点赋值为1，否则赋值为0,通过该过程每个点都会 获得一个8位二进制数，即得到该窗口中屯、像素点的LBP值，并用该LBP值来反映该区域的 纹理信息；
[0041] 步骤r-2,将提取LBP特征的图片数据进行降维处理。
[0042] 所述的通过提取LBP特征对WCE视频分段提取显著特征信息的方法，优选的，步骤 r-2包括：
[0043] 步骤A，找到有两次跳变的LBP二进制模式；
[0044] 步骤B，从已经找到的二进制模式中，将最长的连续的1或0的长度作为该二进制 模式的LBP值。
[0045] 所述的通过提取LBP特征对WCE视频分段提取显著特征信息的方法，优选的，步骤 2'包括；
[0046]步骤2' -1，设D是训练元组和其相关联的类标号的集合，每个元组用一个n维属 性向量X= {x。X2,. . .，X。}表示，分别描述元组在n个属性集Ai，As,........A。对元组的n 个度量，且各属性之间相互独立；
[0047] 步骤2' -2,假设有m个类Cl,C2,C3,.....(；，给定元组X，分类法将预测X属于最 高后验概率的类，也就是说朴素贝叶斯法预测X属于类。，当且仅当口咕|幻>P(Cj.|X) 1《j《m,j声i，其中i、j为正整数，
[0048] 该样，最大化P(。I幻，P(。I幻最大的类。称为最大后验假设，根据贝叶斯定理，
[0049]
[0化0] 步骤2'-3,由于P00对所有类为常数，所WP狂|Ci)P(。）最大即可，若类是先验概 率未知，则通常假定该些类是等概率的，即P(Ci) =P(C2) = ... =P(Cm)，并据此对P狂I。） 最大化；否则，最大化P狂|Ci)P(。）；
[0化1] 步骤2' -4,给定元组的类标号，且属性值有条件地相互独立，因此，
[0化2]
[0053]Xk表示元组X在属性Ak的值，由于Ak是分类属性，则P(XkI是D中属性Ak的值 为Xk的Ci类的元组数ICldI;
[0054] 步骤2' -5，为了预测X的类标号，对每个类。，计算P狂I。)P咕），该分类法预测 输入元组X的类为当且仅当，
[0055] P狂|Ci)P(。）>Pa|Cj)P(Cj), 1《j《m，j声i， [0056] 被预测的类标号是使P间Ci)P(。）最大的。。
[0化7] 综上所述，由于采用了上述技术方案，本发明的有益效果是：
[0化引基于HSI颜色空间特征向量的朴素贝叶斯分类器，和基于LBP纹理特征向量的朴 素贝叶斯分类器。该两种分类器有各有各自的优秀点，将会提升分段效率，并获得了好的结 果。
[0化9] 本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变 得明显，或通过本发明的实践了解到。
【附图说明】
[0060] 本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变 得明显和容易理解，其中：
[0061] 图1是本发明WCE视频分段提取特征信息的方法流程图；
[0062] 图2是本发明WCE视频分段提取特征信息的方法采集图像信息示意图；
[0063] 图3是本发明WCE视频分段提取特征信息的方法HSI变换示意图；
[0064] 图4是本发明WCE视频分段提取特征信息的方法LBP变换示意图。
【具体实施方式】
[00化]下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终 相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附 图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0066] 在本发明的描述中，需要理解的是，术语"纵向"、"横向"、"上"、"下"、"前"、"后"、 "左"、"右"、"竖直"、"水平"、"顶"、"底""内"、"外"等指示的方位或位置关系为基于附图所 示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装 置或元件必须具有特定的方位、W特定的方位构造和操作，因此不能理解为对本发明的限 制。
[0067] 在本发明的描述中，除非另有规定和限定，需要说明的是，术语"安装"、"相连"、 "连接"应做广义理解，例如，可W是机械连接或电连接，也可W是两个元件内部的连通，可 W是直接相连，也可W通过中间媒介间接相连，对于本领域的普通技术人员而言，可W根据 具体情况理解上述术语的具体含义。
[0068] 如图1所示，本发明提供了一种通过提取HSI特征对WCE视频分段提取显著特征 信息的方法，其关键在于，包括如下步骤：
[0069] 步骤1，获取待提取特征信息的图片数据，将待提取特征信息的图片数据的RGB颜 色特征转换为服I颜色特征，将转换为服I颜色特征后的图片数据进行量化降维；
[0070] 步骤2,将量化降维处理的图片数据通过朴素贝叶斯分类器算法进行分类后，获取 带有显著特征信息的WCE视频图像分段模型。
[0071] 本发明还公开一种通过提取LBP特征对WCE视频分段提取显著特征信息的方法， 其关键在于，包括如下步骤：
[0072] 步骤r，获取待提取特征信息的图片数据，提取基于RGB信息的图片数据的LBP纹 理特征，将转换为LBP纹理特征后的图片数据进行量化降维；
[0073] 步骤2'，将量化降维处理的图片数据通过朴素贝叶斯分类器算法进行分类后，获 取带有显著特征信息的WCE视频图像分段模型。
[0074] 特征提取算法
[0075] 由于图像的特征多种多样，其描述和表示方法也多种多样。我们可W通过分析图 2,我们可W看出，WCE的图像不同器官不仅有颜色的变化，而且还有纹理的差异。所有我们 将采用两种方式来提取图像特征，方式一是基于颜色空间的特征提取；方式二是基于图像 纹理的特征提取W适应不同操作下的不同要求。
[0076] 1、服1颜色空间特征提取理论依据
[0077] 由于无线胶囊内窥镜使用的是彩色摄像机，并且可W得到256X256X256个像素 大小的彩色图像，如图2所示。从图2中可W看到不同的消化器官具有不同的彩色特征和 性状。所W我们可W提取彩色图像信息的特征来进行疾病诊断。
[007引图2胶囊内镜拍摄的消化道图片，
[0079]对于分析和提取彩色特征而言，选择合适的彩色空间模型是首要的也是最重要的 一步。合适的色彩空间模型的选择是基于不同的应用和各种因素的考虑的。采用不同的彩 色空间模型会极大地影响相关性能。在近百年的发展中，研究人员正对彩色图像的分析和 处理问题提出了各种各有的算法，大多数的算法都是在RGB颜色空间中实现的，但RGB颜色 空间有一个主要的缺点就是对颜色感知是不均匀的，即两个颜色点之间的距离不等于两个 颜色之间的颜色感知的差异，不能之间从RGB数值中估计出颜色的色度、饱和度和亮度等 感知熟悉。然而在医学应用中，视觉均匀的彩色空间是很必要的。另外，由于RGB彩色空间 各个通道的高度相关性，当每个通道分别分析时会产生很大的色彩偏移。在医学应用中尤 其不允许有该种偏移。所W为了克服RGB颜色空间的不均匀和彩色偏移的缺点，在WCE视 频图像处理中我们采用了更加符合颜色视觉特性的颜色空间，即HSI颜色空间。HSI颜色空 间是采用色度化ue)、饱和度（Saturation)和亮度（Intensity)S个分量来表征颜色。
[0080] 如图3所示为基于圆形彩色平面的HSI颜色空间模型。HSI颜色空间由一个垂直 的亮度轴IW及垂直于此轴的一个圆形平面上的彩色点的轨迹组成。对于其中任一个颜色 点，其H值对应指向该点的矢量与I轴的夹角。该点的S值与指向该点的矢量长度成正比。 I的值同该点所在平面与最下方黑色点的距离成正比。
[0081] 图3基于圆形彩色平面的HSI颜色空间模型
[0082] HSI颜色空间和RGB颜色空间只是同一物理量的不同表示法，因而他们之间存在 着转换关系。在RGB空间的彩色图像可W方便地转换到HSI空间。本文选用几何推导算法， 输入图像的R、G、B值，其对应的服I模型中的H、S、I分量可由下面的公式计算
[0087] 从上面的公式可W看出，色度值在[0,231]范围内，将其除W2 31归一化到[0，1] 范围内。由于RGB的值是[oa]区间内，所W亮度和饱和度也在[oa]范围内。
[008引 2、改进的HSI颜色空间特征提取算法
[0089] 由于实际运用中，输入图像的R、G和B的值并没有进行归一化，所从运用公式（1) 得出H、S、I的范围都不是归一化W后的范围。因此，为了便于计算和分析，我们将公式（1) 进行了改进，使得色度值、亮度值和饱和度值的范围都为[0, 255]，改进的计算公式如下所 /J、- 〇
[0094] 通过公式（2)可得到一幅由256X256X256个服I彩色空间的像素点表示的WCE 视频图像。但是，如果每张图像都由256X256X256HSI彩色空间的像素点表示，该对于计 算机来说是极大计算，增大了计算开销，并降低了分段效率。因此，我们对得到的HSI颜色 空间的H、S、I值进行了量化。把色度量化成8个空间，把饱和度和亮度分别量化成3个空 间，即颜色空间被分层了 8X3X3的区间，即我们将维数从16777216降到72维。
[009引量化过程如下：
[0096]设变量h、S、i，分别表示量化中H、S、I的取值范围。计算如下；
[0100] 则通过式（3)、（4)、（5)分别对H、S、I进行量化，具体量化值如下：
[0101]
[0104] 3、LBP纹理特征提取理论依据
[01化]LBP (Local Binary化ttern，局部二值模式）是一种用来描述图像局部纹理特征 的算子；它具有旋转不变性和灰度不变性等显著的优点。用于纹理特征提取。
[0106] LBP特征提取过程：
[0107] 对于图像中每一个像素，将其相邻的8个点进行顺时针比较，如果中屯、像素值比 该邻点大，则将邻点赋值为1，否则赋值为0,该样每个点都会获得一个8位二进制数（通常 转换为十进制数即LBP码，共有256种）。即得到该窗口中屯、像素点的LBP值，并用该个值 来反映该区域的纹理信息。LBP特征的具体过程如图4所示。
[0108] 图4、LBP特征值计算过程
[0109] 4、改进的LBP纹理特征提取算法
[0110] 如果我直接使用图4所示的计算方式，那么对于每张8比特的RGB图片，每张图片 的LBP特征将有256X256X256的维度，该将会有大量的计算开销，该是我们不想看到的结 果，所W我们同样对提取出的LBP特征进行降维，W节省计算开销，提高分段效率。
[0111] LBP降维过程如下；
[0112] (1)找到有两次跳变的LBP二进制模式。
[011引例如；00000111(只含一次从0到1的跳变），10001111(先由1跳到0,再由0跳 到1，共两次跳变）
[0114] (2)从已经找到的二进制模式中，将最长的连续的1或0的长度作为该二进制模式 的LBP值，取值为1~7
[0115]例如；W0 的长度作为LBP值，00000001 (7)，11101111(1)
[0116] 通过上面的降维过程，我们将维度由256X256X256 = 16777216变为了 7X7X7 =343维。通过实验，该种降维方式是可行，并且其大大节省了计算开销。
[0117] 2. 3分类算法
[0118] 由于WCE视频图像每帖之间的像素信息是相互独立的，因此各帖的各个特征是相 互独立的，因此，我们选择朴素贝叶斯分类器进行分类。
[0119] 朴素贝叶斯分类算法具有简单，高效等优势，在对待具有不同数据特点的数据集 合时，分类性能的差别不大，所W稳定性较强。该算法的分类效果比较精确，其主要原因在 于需要估计的参数比较少，虽然概率是有偏估计的，但研究者们看重的恰恰不是是绝对值 而是排列次序。对于存在缺损的数据，大多数情况下都会在使用前进行预处理，W此提高数 据的可行性。
[0120] 2. 3.1贝叶斯定理
[0121] 贝叶斯定理是关于随机事件H和X的条件概率（或边缘概率）的一则定理，公式 如下，
[0122]
[0123] 其中P化I幻是在X发生的情况下H发生的可能性。
[0124] 在贝叶斯定理中，每个名词都有约定俗成的名称：
[01巧]P(H)是H的先验概率或边缘概率。之所W称为"先验"是因为它不考虑任何X方 面的因素。
[0126] P化I幻是已知X发生后H的条件概率，也由于得自X的取值而被称作H的后验概 率。
[0127] P狂IH)是已知H发生后X的条件概率，也由于得H的取值而被称作X的后验概率。
[0128] P00是X的先验概率或边缘概率，也作标准化常量。
[0129] 朴素贝叶斯分类算法
[0130] 朴素贝叶斯分类法的工作过程如下：
[0131] (1)设D是训练元组和它们相关联的类标号的集合，每个元组用一个n维属性向 量X={Xi,X2,. . .，X。}表示，分别描述元组在n个属性集A。A2,........A。对元组的n个度 量，且各属性之间相互独立。
[013引 （2)假设有m个类Cl,C2,C3,……Cm。给定元组X，分类法将预测X属于最高后验 概率的类（在条件X下）。也就是说朴素贝叶斯法预测X属于类。，当且仅当
[0133] ?(。|幻 >P(Cj|幻 1《j《m，j声i
[0134] 该样，最大化P(。I幻。P(。I幻最大的类。称为最大后验假设。根据贝叶斯定理 (7式），
[0135]
[0136] (3)由于P00对所有类为常数，所W只需要P狂|Ci)P(。）最大即可。若类是先验概 率未知，则通常假定该些类是等概率的，即P(Ci) =P(C2)=...=P(Cm)，并据此对P狂I。） 最大化。否则，最大化P狂|Ci)P(。）。
[0137] (4)给定元组的类标号，且属性值有条件地相互独立（即属性之间不存在依赖关 系）。因此，
[013引
[0139] Xk表示元组X在属性Ak的值。由于Ak是分类属性，则P(Xkl。）是D中属性Ak的 值为Xk的Ci类的元组数ICLDI。
[0140] 妨为了预测X的类标号，对每个类计算P狂|Ci)P(。）。该分类法预测输入元 组X的类为。，当且仅当
[01川P狂|Ci)P(。）>Pa|Cj)P(Cj)，1《j《m，j声i(10)
[01创换言么被预测的类标号是使P间Ci)P(。）最大的。。
[0143] 2. 3. 3朴素贝叶斯分类器设计
[0144] 根据朴素贝叶斯分类算法与实际情况相结合，我们的最后得出了基于HSI颜色空 间提取特征向量的朴素贝叶斯分类和基于LBP纹理特征提取特征向量的朴素贝叶斯分类。
[0145] 基于HSI颜色空间提取特征向量的朴素贝叶斯分类器，
[0146] 工作过程如下：
[0147] 获取训练样本集，即一个人完整的WCE视频图像；
[0148] 将每张RGB图像转化成HSI图像，根据公式（2)进行计算转化，并获得初始特征向 量Y= (y^y2，...，yiem2ie)。其中，yi(i= 1，2，...，16777216)的对应服I值的像素点个 数的统计量，|yil=HXSXI=i的像素点的个数；
[0149] 根据公式做对每个像素点进行降维处理，得到降维W后的特征向量X= (X。X2, . . .，X72)，Xi(i= 1，2,. . .，7。与似的y;同含义；
[0150] 根据公式（10)，对训练样本集进行训练，即通过朴素贝叶斯算法获得基于HSI颜 色空间提取特征向量的朴素贝叶斯分类器；
[0151] 基于LBP纹理特征提取特征向量的朴素贝叶斯分类器，
[0152] 获取训练样本集，即一个人完整的WCE视频图像；
[0153] 根据图4的计算方法来提取每张RGB图像LBP纹理特征，得到一个初始特征向量 Y=加 72, ...，yiem2ie)，其中，yi(i= 1，2, ...，16777216)的对的RGB值的像素点个数的 统计量，|yil=RXGXB=i的像素点的个数；
[0154] 对每个像素点进行降维处理，得到降维W后的特征向量X= (X。X2, . . .，X343)，Xi(i =1，2, . . .，343)与（2)的y;同含义；
[01巧]根据公式（10)，训练样本集进行训练，即通过朴素贝叶斯算法获得基于LBP提取 纹理特征向量的朴素贝叶斯分类器；
[0156] LBP (Local Binary化ttern，局部二值模式）是一种用来描述图像局部纹理特征 的算子；它具有旋转不变性和灰度不变性等显著的优点。
[0157] 基于HSI颜色空间特征和LBP纹理特征分别获得特征向量，其中对HSI和LBP的 特征向量进行量化降维处理，将基于HSI的特征向量从16777216维降到了 72维，同理将基 于LBP的特征向量从16777216维降到了 343维，通过降维大大的提高了计算速率，再结合 朴素贝叶斯分类算法进行分类训练，获得了两种分类器，基于HSI颜色空间特征向量的朴 素贝叶斯分类器，和基于LBP纹理特征向量的朴素贝叶斯分类器。该两种分类器有各有各 自的优秀点，将会提升分段效率，并获得了好的结果。< br>[0158] 朴素贝叶斯分类算法具有简单，高效等优势，在对待具有不同数据特点的数据集 合时，分类性能的差别不大，所W稳定性较强。该算法的分类效果比较精确。
[0159] 在本说明书的描述中，参考术语"一个实施例"、"一些实施例"、"示例"、"具体示 例"、或"一些示例"等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特 点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不 一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可W在任何 的一个或多个实施例或示例中W合适的方式结合。
[0160] 尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可W理解；在不 脱离本发明的原理和宗旨的情况下可W对该些实施例进行多种变化、修改、替换和变型，本 发明的范围由权利要求及其等同物限定。
【主权项】
1. 一种通过提取HSI特征对WCE视频分段提取显著特征信息的方法，其特征在于，包括 如下步骤： 步骤1，获取待提取特征信息的图片数据，将待提取特征信息的图片数据的RGB颜色特 征转换为HSI颜色特征，将转换为HSI颜色特征后的图片数据进行量化降维； 步骤2,将量化降维处理的图片数据通过朴素贝叶斯分类器算法进行分类后，获取带有 显著特征信息的WCE视频图像分段模型。2. 根据权利要求1所述的通过提取HSI特征对WCE视频分段提取显著特征信息的方 法，其特征在于，步骤1包括： 步骤1-1，输入图像的R、G、B值，其对应的HSI模型中的H、S、I分量由公式计算得到，其中，R、G、B为图片像素的红、绿、蓝刺激值。3. 根据权利要求2所述的通过提取HSI特征对WCE视频分段提取显著特征信息的方 法，其特征在于，步骤1还包括： 步骤1-2,色度量化成8个空间，把饱和度量化成3个空间，把亮度分别量化成3个空 间，即颜色空间被分层了 8X3X3的区间，具体量化值为， 设变量h、s、i，分别表示量化中H、S、I的取值范围，计算如下，则通过上式分别对H、S、I进行量化，具体量化值如下：4.根据权利要求1所述的通过提取HSI特征对WCE视频分段提取显著特征信息的方 法，其特征在于，步骤2包括： 步骤2-1，设D是训练元组和其相关联的类标号的集合，每个元组用一个η维属性向量 X = (X1, X2, ...，χη}表示，分别描述元组在η个属性集A1, A2,........八"对元组的η个度量， 且各属性之间相互独立； 步骤2-2,假设有m个类C1, C2, C3,.....Cm，给定元组X，分类法将预测X属于最高 后验概率的类，也就是说朴素贝叶斯法预测X属于类Ci,当且仅当P(CiIX) > P(CjIX) 1彡j彡m，j乒i，其中i、j为正整数， 这样，最大化P (Ci IX)，P (Ci IX)最大的类Ci称为最大后验假设，根据贝叶斯定理，步骤2-3,由于P(X)对所有类为常数，所以P(XlCi)P(Ci)最大即可，若类是先验概率未 知，则通常假定这些类是等概率的，即P (C1) =P(C2) =... =P (Cm)，并据此对P (XlCi)最 大化；否则，最大化P (XlCi) P (Ci); 步骤2-4,给定元组的类标号，且属性值有条件地相互独立，因此，xk表示元组X在属性A k的值，由于A k是分类属性，则P (X k I Ci)是D中属性Ak的值为X k 的(；类的元组数|Ci，D| ; 步骤2-5，为了预测X的类标号，对每个类Ci，计算P (XI Ci) P (Ci)，该分类法预测输入元 组X的类为Ci,当且仅当， P(Xlci)P(Ci) > P(XlCj)P(Cj), I ^ j j ^ i, 被预测的类标号是使P(XlCi)P(Ci)最大的Q。5. -种通过提取LBP特征对WCE视频分段提取显著特征信息的方法，其特征在于，包括 如下步骤： 步骤Γ，获取待提取特征信息的图片数据，提取基于RGB信息的图片数据的LBP纹理特 征，将转换为LBP纹理特征后的图片数据进行量化降维； 步骤2'，将量化降维处理的图片数据通过朴素贝叶斯分类器算法进行分类后，获取带 有显著特征信息的WCE视频图像分段模型。6. 根据权利要求5所述的通过提取LBP特征对WCE视频分段提取显著特征信息的方 法，其特征在于，所述步骤Γ包括： 步骤Γ-1，对于图像中每一个像素，将其相邻的8个点进行顺时针或逆时针的比较，如 果中心像素值比该邻点大，则将邻点赋值为1，否则赋值为〇,通过该过程每个点都会获得 一个8位二进制数，即得到该窗口中心像素点的LBP值，并用该LBP值来反映该区域的纹理 信息； 步骤Γ -2,将提取LBP特征的图片数据进行降维处理。7. 根据权利要求6所述的通过提取LBP特征对WCE视频分段提取显著特征信息的方 法，其特征在于，步骤Γ -2包括： 步骤A，找到有两次跳变的LBP二进制模式； 步骤B，从已经找到的二进制模式中，将最长的连续的1或0的长度作为该二进制模式 的LBP值。8. 根据权利要求5所述的通过提取LBP特征对WCE视频分段提取显著特征信息的方 法，其特征在于，步骤2'包括： 步骤2' -1，设D是训练元组和其相关联的类标号的集合，每个元组用一个η维属性向 量X = (X1, X2, ...，χη}表示，分别描述元组在η个属性集A1, A2,........八"对元组的η个度 量，且各属性之间相互独立； 步骤2' -2,假设有m个类C1, C2, C3,..... Cm，给定元组X，分类法将预测X属于最高 后验概率的类，也就是说朴素贝叶斯法预测X属于类Ci,当且仅当P(CiIX) > P(CjIX) 1彡j彡m，j乒i，其中i、j为正整数， 这样，最大化P (Ci IX)，P (Ci IX)最大的类Ci称为最大后验假设，根据贝叶斯定理，步骤;T -3,田卞PUU別Τ/Γ令突艿芾数，所以P (XI Ci) P (Ci)最大即可，若类是先验概率 未知，则通常假定这些类是等概率的，即P(C1) =P(C2) =... =P(Cm)，并据此对P(XlCi)最 大化；否则，最大化P (Xlci) P (Ci); 步骤2' -4,给定元组的类标号，且属性值有条件地相互独立，因此，xk表示元组X在属性A k的值，由于A k是分类属性，则P (X k I Ci)是D中属性Ak的值为X k 的(；类的元组数|Ci，D| ; 步骤2' -5,为了预测X的类标号，对每个类Ci,计算P (XI Ci) P (Ci)，该分类法预测输入 元组X的类为Ci,当且仅当， P(Xlci)P(Ci) > P(XlCj)P(Cj), I ^ j j ^ i, 被预测的类标号是使P(Xlci)P(Ci)最大的Ci。
【专利摘要】本发明公开了一种WCE视频分段提取显著特征信息的方法，包括如下步骤：步骤1，获取待提取特征信息的图片数据，将待提取特征信息的RGB图片数据的颜色特征转换为HSI颜色特征或者LBP纹理特征，将转换为HSI颜色特征后的图片数据或者转换为LBP纹理特征后的图片数据进行量化降维；步骤2，对量化降维处理的图片数据通过朴素贝叶斯分类器算法进行分类后，获取带有显著特征信息的WCE视频图像分段模型。本发明在对待具有不同数据特点的数据集合时，稳定性较强。该算法的分类效果精确。
【IPC分类】G06K9/62, G06K9/46, G06K9/00
【公开号】CN104881646
【申请号】CN201510274883
【发明人】万里, 张志良, 刘小琪, 严莎莎, 白家莲
【申请人】重庆金山科技（集团）有限公司
【公开日】2015年9月2日
【申请日】2015年5月26日