下载掌阅APP，畅读海量书库
立即打开
纹理是反映区域中像素灰度级的空间分布的一种属性，是医学图像重要的特征之一。纹理特征通过描述图像的灰度统计信息，反映图像像素间的灰度变化，可以很好地描述图像中物体表面不同颜色和灰度的分布情况，是灰度图像常用的一种图像描述方法。
由于医学图像的成像模式各异，不同部位病变多且复杂，医学图像纹理通常具有规则多变的局部模式和无周期性的重复，图像中的纹理值往往有统计学意义，因此基于医学图像纹理特征进行疾病诊断有重要价值。
灰度共生矩阵（grey level co-occurrence matrix，GLCM）是一种基于统计的提取纹理特征的方法，建立在估计图像的二阶组合条件概率密度基础上。从 N × N 图像中取任意一点（ x ， y ）及偏离它的另一点（ x + a ， y + b ），设该点对的灰度值为（ i ， j ）。令点（ x ， y ）在整个画面上移动，则会得到各种（ i ， j ）值，设灰度值的级数为 k ，则共有 k 2 种（ i ， j ）的组合。统计每一种（ i ， j ）值出现的次数并排列成一个方阵，再用（ i ， j ）出现的总次数将它们归一化为出现的概率 P （ i ， j ），这样的方阵称为灰度共生矩阵。距离差分值（ a ， b ）取不同的数值组合，可以得到不同情况下的联合概率矩阵。（ a ， b ）取值要根据纹理周期分布的特性来选择，对于较细的纹理，一般选取（1，0）、（1，1）、（2，0）等小的差分值。当 a =1、 b =0时，像素对水平，即0°扫描；当 a =0、 b =1时，像素对垂直，即90°扫描；当 a =1、 b =1时，像素对呈右对角线分布，即45°扫描；当 a =-1、 b =1时，像素对呈左对角线分布，即135°扫描。
由于灰度共生矩阵的数据量较大，一般不直接作为区分纹理的特征，而是将基于它构建的一些统计量作为纹理分类特征。基于灰度共生矩阵可提取14个图像纹理特征，简记为 f 1 ～ f 14 ，具体名称及计算方法如下：
（1）能量（energy）：
也称角二阶矩，反映图像在 K × K 矩阵中灰度分布均匀程度和纹理粗细程度，表达式为式3-1。
（式3-1）
其中， P （ i ， j ）表示图像中两个相邻像素的灰度值分别为 i 和 j 的可能性。
（2）灰度均值（mean）：
反映像素所有灰度值的集中趋势，表达式为式3-2。
（式3-2）
（3）逆差矩（inverse difference moment，IDM）：
反映图像纹理的同质性，度量图像纹理局部变化情况，表达式为式3-3。
（式3-3）
（4）熵（entropy）：
表征图像中纹理的复杂程度，反映纹理灰度分布的随机性，肿瘤摄取异质性越高时，其值越大，定义见式3-4。
（式3-4）
在灰度共生矩阵推导出的边缘分布特征 P x （ i ）与 P y （ j ）分别见式3-5。
（式3-5）
边缘分布特征的均值与方差分别用 μ x 、 μ y 、 σ x 、 σ y 表示。指定灰度和/或差的概率和见式3-6。
（式3-6）
（5）相关性（correlation）：
图像线性度的测度，用来衡量灰度共生矩阵元素在行方向或列方向上的相似程度，肿瘤摄取异质性越高时，其值越小，定义见式3-7。
（式3-7）
（6）聚类趋势（cluster tendency）：
测量相似灰度水平值像素的分组，表达式为式3-8。
（式3-8）
（7）对比度（contrast）：
反映图像的清晰度，是图像局部灰度变化程度的度量，对非均匀的局部对比度敏感，表达式为式3-9。
（式3-9）
（8）同质度（homogeneity）：
反映灰度水平的相似程度，表达式为式3-10。
（式3-10）
（9）方差（variance）：
衡量随机变量或一组数据离散程度的指标。在图像方面，方差主要反映灰度水平分布情况和纹理变化快慢。值越大，纹理周期越大。其中， a 为 P （ i ， j ）的均值，表达式为式3-11。
（式3-11）
（10）最大概率（maximum probability）：
表示某一事件发生的最大概率，为最突出的像素对的发生率，表达式为式3-12。
（式3-12）
（11）和的均值（sum-mean）：
表示一系列数据或统计总体的平均特征的值，提供图像中灰度水平总体均值，表达式为式3-13。
（式3-13）
（12）差的均值（difference-mean）：
表示一系列数据或统计总体的平均特征的值，提供图像中灰度水平差异的均值，表达式为式3-14。
（式3-14）
（13）和的熵（sum-entropy）：
表达式为式3-15。
（式3-15）
（14）差的熵（difference-entropy）：
表达式为式3-16。
（式3-16）
基于灰度共生矩阵的上述14个纹理特征中，有4个特征（对比度、逆差矩、相关性、能量）是不相关的，这4个特征既便于计算又能给出较高的分类精度。此外，可采用邻域灰度差分矩阵来提取图像的局部纹理特征，包括粗糙度、对比度等。
（1）粗糙度（coarseness）：表达式为式3-17。
（式3-17）
其中， G h 是图像中最高的灰度等级， ε 是一个防止出现无穷大值的小值， P i 是灰度值 i 在图像中出现的概率。
（2）对比度（contrast）：表达式为式3-18。
（式3-18）
其中， N g 是不同灰度值的总数。
颜色是图像非常重要的视觉特征，医学图像的颜色特征主要通过描述图像中某个颜色空间中的颜色构成与分布，为计算机提供一种理解图像内容的方式。最常见的颜色特征提取算法为颜色直方图，广泛应用于图像检索系统，描述不同像素在图像中所占的比例。定义 I 为由像素点 p 组成的图像，每个像素点都有特定的灰度级别。设 g 1 ， g 2 ，…， g n 为图像 I 的所有灰度级别， I （ p ）代表像素 p 的灰度级别， I g 代表灰度级为 g 的像素点的集合，即 I （ p ）= g ，灰度 g i 的直方图定义为式3-19。
（式3-19）
常用的图像描述方法为通过RGB、HSV两种颜色空间对图像的颜色特征进行描述。RGB是最常用的颜色表示，描述了图像中红色、绿色和蓝色的强度值。HSV是另一种比较常用的方法，通过色调（H）、饱和度（S）和亮度（V）三种颜色通道来表示颜色。
RGB颜色空间最为常用，大部分图像采用RGB颜色空间进行表示。图像颜色分量像素值的均值和方差是最常用的RGB颜色特征。大小为 n × m （简写为 nm ）的图像，均数和方差定义见式3-20、式3-21。
（式3-20）
（式3-21）
其中， X ij 是 i 行 j 列的像素值。
采用颜色直方图对图像的颜色特征分布进行描述，即在每个颜色通道中，对像素的数量进行统计。计算颜色直方图需要对颜色进行量化，即将颜色空间划分为若干小的颜色区间（bin），通过计算颜色落在每个小区间内的像素数量可以得到颜色直方图。但RGB颜色空间存在一定的局限性：首先，RGB空间三种特征线性相关，独立性不足；其次，RGB空间主要用于进行显示输出，其设计并非用来接近人的视觉感受，且每个通道的数值和表示的刺激强度不成线性比例，分析时难以准确计算颜色的差异。
HSV颜色空间更符合人们对颜色的主观认识。在HSV颜色空间中，H代表色调，变化范围为0°～360°；S代表饱和度，变化范围为0～1，值越大，颜色越饱和；V代表亮度，即颜色明亮的程度，变化范围为0～1。与RGB颜色空间分析方法不同，HSV采用了颜色通道的非均匀量化方法，通过把颜色空间划分为若干不等的颜色区间来反映颜色空间的内在特征。
医学图像的形状结构特征描述了图像中所包含物体的形状信息，是医学图像中最具代表性和诊断意义的视觉信息之一。通常情况下，形状结构特征有两类表示方法，分别为轮廓特征与区域特征。图像的轮廓特征主要针对图像物体的外边界，例如肺结节边缘的特征；而图像区域特征则关系到整个形状区域，例如整个单一肺结节的特征。典型的结构特征描述方法主要为以下几种。
图像结构的表达和匹配常采用区域特征描述方法，通过图像几何形状特征，例如区域致密度、空间矩、径向距离测度、链码、Fourier描述子等提取结构参数。
（1）区域致密度：
反映图像区域离散（复杂）程度，为图像区域的周长 P 的平方和面积 A 的比值。越复杂的形状致密度越大，越简单的图像致密度越小，可表示为式3-22。
（式3-22）
圆形是最简单的形状，圆形度 R 可用来描述图像区域接近圆形的程度，反映被测量边界的复杂程度，表示为式3-23。
（式3-23）
（2）空间矩：
空间矩常用来描述图像的形状和灰度分布，如面积、主轴、偏心等。实际应用时要注意高阶矩特征影响较大，低阶矩影响较小。对于给定的二维连续图像函数 f （ x ， y ），其（ p + q ）阶几何矩定义见式3-24。
（式3-24）
（3）中心矩：
表示图像重心（ x 0 ， y 0 ）的灰度分布情况的度量，定义见式3-25。
（式3-25）
中心距在图像平移、旋转过程中保持不变，因此在图像处理中可以应用中心距等进行平移或旋转变换。
（4）方向角：
物体形状拉长（长轴）的方向，定义为式3-26。
（式3-26）
（5）偏心度：
物体的偏心度（宽窄度），定义为式3-27。
（式3-27）
边界特征法通过对图像边界特征的描述来获取图像的形状参数。其中Hough变换法和边界方向直方图是边界特征提取的经典方法。Hough变换是利用图像全局特性将其边缘像素相连接，并建立封闭区域边界的方法，其基本思想是点与线的对偶性；边界方向直方图是将微分图像求得图像边缘后，构建边缘大小和方向特征直方图。
傅里叶形状描述符（fourier shape deors）的基本思想是将图像特征边界进行傅里叶变换表达，并利用图像区域边界的封闭性和周期性，将二维问题转化为一维问题，即将 x - y 平面中的曲线段转化为一维函数 f （ r ），也可将 x - y 平面中的曲线段转化为复平面上的一个序列。