基于颜色和纹理特征的胶囊内镜图像分类

针对常用的计算机辅助分析方法受消化道气泡、光照和拍摄角度等影响难以对胶囊内镜图像取得较好的分类效果的问题,提出一种结合颜色矩、小波变换和共生矩阵的特征提取方法,并用SVM将图像分为健康和病变两类。计算HSV空间去噪后图像的颜色矩,同时采用小波变换选择中高频带后重构图像并计算其共生矩阵特征值,将提取出的特征值归一化,作为SVM的输入进行训练和分类。实验结果表明,该方法正确率可达98.88%,相比其他方法取得了更好的分类结果。

基于迁移学习的胶囊内镜图像分类

针对基于卷积神经网络的胶囊内镜图像分类算法上存在模型参数难以训练、易过拟合的问题,提出一种基于迁移学习的胶囊内镜图像分类算法。先对胶囊内镜图像进行预处理和数据扩增;利用经典卷积神经网络Alexnet、Googlenet、 Inception-v3提取囊内镜图像的深层特征;最后将3个模型提取的特征向量加以融合,作为支持向量机的输入进行训练和分类。实验结果表明,提出的方法分类准确率为99.98%、特异度为99.97%、敏感度为100%,相比其它方法具有更好的分类效果,为胶囊内镜的辅助诊疗提供了一个可参考的方法。