基于LBP和GLCM的肠道肿瘤图像特征提取方法

吉林大学学报(理学版) ›› 2022, Vol. 60 ›› Issue (4): 911-918.

基于LBP和GLCM的肠道肿瘤图像特征提取方法

杨波¹, 张立娜², 韩霄松^3,4

1. 长春财经学院信息工程学院, 长春 130122； 2. 吉林农业大学信息技术学院, 长春 130118；3. 吉林大学符号计算与知识工程教育部重点实验室, 长春 130012; 4. 吉林大学计算机科学与技术学院, 长春 130012

收稿日期:2021-07-22 出版日期:2022-07-26 发布日期:2022-07-26
通讯作者: 张立娜 E-mail:zhangln@jlau.edu.cn

Feature Extraction Method of Intestinal Tumor Images Based on LBP and GLCM

YANG Bo¹, ZHANG Lina², HAN Xiaosong^3,4

1. School of Information Engineering, Changchun University of Finance and Economics, Changchun 130122, China;
2. School of Information Technology, Jilin Agricultural University, Changchun 130118, China;
3. Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University, Changchun 130012, China；
4. College of Computer Science and Technology, Jilin University, Changchun 130012, China

Received:2021-07-22 Online:2022-07-26 Published:2022-07-26

摘要/Abstract

摘要： 针对肠道肿瘤图像样本有限导致肿瘤识别率低和收敛速度慢的问题, 提出一种基于局部二值模式(LBP)和灰度共生矩阵(GLCM)的肠道肿瘤图像特征提取方法. 首先, 利用最大类间方差法自动计算图像灰度阈值, 进行感兴趣区域的提取; 然后, 采用LBP+GLCM对肠道肿瘤部分图像进行特征提取, 并利用支持向量机识别. 对1 500张肠道肿瘤图像进行实验的结果表明, 该方法可达到94.84%的识别准确率, 能有效辅助医学诊疗.

关键词: 肠道肿瘤, 感兴趣区域, 局部二值模式, 灰度共生矩阵, 支持向量机

Abstract: Aiming at the problems of low tumor recognition rate and slow convergence speed caused by limited samples of intestinal tumor images, we proposed a feature extraction method of intestinal tumor images based on local binary pattern (LBP) and gray level co-occurrence matrix (GLCM). Firstly, the maximum interclass variance method was used to automatically calculate the image gray threshold and extract the region of interest. Secondly, the LBP+GLCM was used to extract the features of partial intestinal tumor image, and support vector machine was used for recognition. Experimental results of 1 500 intestinal tumor images show that this method can achieve 94.84% recognition accuracy and can effectively assist medical diagnosis and treatment.

Key words: intestinal tumor, region of interest, local binary patterns (LBP), grey level co-occurrence matrix (GLCM), support vector machines (SVM)

中图分类号:

TP391.41

杨波, 张立娜, 韩霄松. 基于LBP和GLCM的肠道肿瘤图像特征提取方法[J]. 吉林大学学报(理学版), 2022, 60(4): 911-918.

YANG Bo, ZHANG Lina, HAN Xiaosong. Feature Extraction Method of Intestinal Tumor Images Based on LBP and GLCM[J]. Journal of Jilin University Science Edition, 2022, 60(4): 911-918.

[1]	吴祖慷, 朱晓冬, 刘元宁, 王超群, 周智勇. 基于GA-SVM模型的虹膜质量评估方法[J]. 吉林大学学报(理学版), 2022, 60(1): 89-0098.
[2]	张震, 张照崎, 朱留存, 刘济尘, 魏金占, 蔡旭航, 赵成龙. 一种基于Shi-Tomasi和改进LBP的特征匹配及目标定位快速算法[J]. 吉林大学学报(理学版), 2021, 59(5): 1171-1178.
[3]	聂逯松, 常方圆, 常学智, 刘畅, 金有为, 刘国晟, 付加胜, 韩霄松. 一种新型的自适应多核学习算法[J]. 吉林大学学报(理学版), 2021, 59(5): 1212-1218.
[4]	刘桂锋, 于绍楠, 崔璐. 一种基于集成学习策略的单细胞转录组数据集成分类算法[J]. 吉林大学学报(理学版), 2021, 59(5): 1252-1255.
[5]	张震, 张照崎, 朱留存, 苗志滨, 王骥月, 李修明, 赵成龙, 张坤伦. 基于Harris-改进LBP的特征匹配及目标定位算法[J]. 吉林大学学报(理学版), 2021, 59(3): 568-576.
[6]	刘颖, 杜星秋, 温东欣, 唐伟宁, 张洪明. 基于TLSmote-SVM的非均衡用户窃漏电诊断算法[J]. 吉林大学学报(理学版), 2021, 59(1): 136-142.
[7]	杨健, 杨超宇, 李慧宗. 基于二维离散小波的生成图像鉴别方法[J]. 吉林大学学报(理学版), 2019, 57(3): 619-626.
[8]	朱超平, 任继平. 基于智能优化算法的物联网异构数据融合方法[J]. 吉林大学学报(理学版), 2019, 57(3): 627-632.
[9]	袁哲, 孙延君, 陈亮. 基于改进局部二值模式和梯度特征的计算机生成图像鉴别算法[J]. 吉林大学学报(理学版), 2019, 57(06): 1437-1441.
[10]	周水生, 姚丹. 一种改进的LSTSVM增量学习算法[J]. 吉林大学学报(理学版), 2018, 56(4): 909-916.
[11]	徐中宇, 苏明玉, 姚庆安. 基于改进PSO算法的混合核SVM算法[J]. 吉林大学学报(理学版), 2018, 56(3): 625-630.
[12]	崔凯, 才华, 陈广秋, 谷欣超, 孙俊喜. 基于多纹理CS-LBP特征的多视角人脸检测算法[J]. 吉林大学学报(理学版), 2018, 56(3): 610-616.
[13]	杨永强, 李淑红. 最小二乘支持向量机的点云数据孔洞修补算法[J]. 吉林大学学报(理学版), 2018, 56(3): 692-696.
[14]	郭凯文, 潘宏亮, 侯阿临. 基于特征选择和聚类的分类算法[J]. 吉林大学学报(理学版), 2018, 56(2): 395-398.
[15]	赵玉兰, 苑全德, 孟祥萍. 基于稀疏编码和机器学习的多姿态人脸识别算法[J]. 吉林大学学报(理学版), 2018, 56(2): 340-346.