纹理分析论文（共9篇）
纹理分析论文 篇1
1 前言
原发性肝癌是由肝细胞或肝内胆管上皮细胞发生的恶性肿瘤,在世界范围内是第5位致死性恶性肿瘤[1],在我国发病率[2]也很高。在各种影像学检查技术中,CT能较好地反映肝脏的病理形态表现,成为诊断肝脏疾病的首选影像检查方法之一。正常的组织结构被破坏是诊断学中区分弥散性和非弥散性肝脏疾病的重要形态特征,反映在CT图像上则呈现为图像纹理的改变,因此可以利用纹理特征的差异对不同病例的肝脏CT图像进行分析,也就能实现对原发性肝癌和正常肝组织进行计算机分类识别。由于我国肝癌患者数量众多,诊断工作较为繁重,因此实现对原发性肝癌CT图像的计算机辅助诊断有助于减轻诊断医师劳动负荷,增加诊断途径从而减少误诊率,对原发性肝癌的治疗具有重要意义。
近年来,基于CT图像的纹理分析研究取得一定进展,.Mir[3]等提出肝脏CT图像采用基于灰度共生矩阵、灰度行程矩阵和灰度差分矩阵的纹理特征区分肝脏正常组织和病变组织。Chen[4]等通过分形特征信息和空间灰度共生矩阵提取特征值,利用改进的概率神经网络分类器来识别肝囊肿和血管瘤这2种不同类型的肝CT图像,这种分类器的正确率达到83%。Stavroula G.Mougiakakou[5]等人从一阶统计值、灰度共生矩阵、灰度差分矩阵、Laws能量和分形维数5个方面提取特征,对正常肝、肝癌、肝囊肿、肝血管瘤4类CT图像进行识别,最好的识别率为84.96%。
本文借鉴当前可用于描述图像纹理特征的测度,并应用模式识别中经典、成熟图像特征提取方法,结合人工神经网络识别技术对正常肝脏、原发性肝癌的CT图像进行纹理分析和识别研究,最终结果达到对原发性肝癌93.60%±5.35%较高的识别准确率。
2 方法
本文研究60个样本图像来自于湖北文理学院附属襄阳市中心医院,选择经确诊正常肝、原发性肝癌的CT图像各30例,将上述CT图像采集后存储在计算机上,并选择图像中的兴趣区(regions of interest,ROI)。在有经验医师指导下选取60个20*20大小的ROI(Regions of interest)进行分析,30个ROI属于正常肝,30个ROI属于原发性肝癌。如图1所示。
2.1 纹理特征提取
图像的区域纹理特征可以描述一个区域图像的精细或粗糙、均匀和不均匀和平滑与不规则等信息。本文从以下3方面提取纹理特征。
2.1.1 一阶统计特征
一阶统计特征[6]是图像中灰度的一阶概率分布,是包含在图像中信息的简介概括,是很有吸引力的纹理测量方法,也是最基本的纹理特征描述。
矩(moments)
中心距(central moments)
绝对矩(absolute moments)
I为代表兴趣区中灰度级的随机变量,令Ng为可能灰度级数量,P(I)是灰度级为I像素的分数,取一阶矩、二阶矩、三阶矩、四阶矩,i=2、3、4时相应的中心距和绝对矩,一共从每个ROI中提取10个一阶统计特征。
2.1.2 灰度共生矩阵
由Haralick[7]提出的灰度共生矩阵[6]方法,它是建立在估计图像二阶组合条件概率密度函数基础上的。这个方法已有较长的研究历史,也是当前人们公认的一种重要纹理分析方法。
灰度共生矩阵描述了图像中在Ө方向上(一般为0˚、45˚、90˚、135˚四个方向),距离为d的一对象元分别具有灰度i和j的出现概率。灰度共生矩阵中每一个元素都可以包含距离、角度、灰度值和出现概率4种信息。根据灰度共生矩阵提取13个特征参量:角二阶矩、对比度、相关系数、倒数差分矩、和均值、差均值、和方差、差分方差、熵、差分熵、信息测度I、信息测度II、最大相关系数。取d=1,将4个方向上相应的值取平均,从每个ROI提取13个特征值。
2.1.3 灰度行程矩阵
灰度行程矩阵[6]是指连续的、共线的并具有相同灰度级(或属于同一灰度段)的像素点,对于一个给定图像可以计算出灰度游程矩阵MӨ,表示图像在Ө方向上(一般为0˚、45˚、90˚、135˚四个方向),灰度为g,长度为d的灰度串所出现的总次数。本文提取了灰度行程矩阵的5个特征参量:短行程优势、长行程优势、灰度不均匀性度量、行程长度的不均匀性度量、行程总数的百分率。
2.2 特征选择
这样,本文对肝脏CT样本图像提取纹理特征达到28个,然而并不是每个特征都适用于样本图像的区分,对于某个特征而言,2个样本值存在显著性差异的为有效特征,否则为冗余特征。本文采用t检验法[8]进行特征选择。
令Xi,i=1,2,,..n1是ωi类中特征的样本值,其均值是μ1;相应的,对于另一类ω2,有Yi,i=1,2,,..n2其均值为μ2。现在2类特征值的方差不相等且未知,但n1=n2=n,为了确定2个期望值的接近程度,进行检验,其假设是:
令
用t检验法,在H0成立时,统计量
2.3 神经网络识别系统
针对2类样本图像,本文采用BP神经网络识别系统在正常肝和原发性肝癌之间进行分类。如图2所示。BP神经网络分类器的结构中,分类器包括一个输入层,一个隐含层和一个输出层。其中输入层含有与所选的有效特征数量相同的输入神经元,隐含层含有十个神经元,输出层含一个输出神经元,在隐含层和输出层使用正切S型传输函数,收敛判断值设为0.0001,最大训练步数为200。当训练数据和网络输出的平均误差平方降到低于这个值,认为这个网络已经收敛。
3 实验结果与分析
采用上述纹理特征提取算法,对每个ROI样本提取28个纹理特征,然后采用t检验法选择有效特征,在显著性水平a取0.05的情况下,一阶统计特征的10个特征以及信息测度I、信息测度II、和均值、最大相关系数、灰度不均匀性度量这15个特征具有显著差异,其余的为冗余特征。t检验选择结果见表1:
由于特征数目量较大,为直观观察t检验特征选择的结果是否准确,从有效特征中抽取一阶矩、和均值,从冗余特征中抽取熵,观察这些特征在不同性质的图像是否具有明显不同的统计分布,表1给出部分特征在原发性肝癌、正常肝脏CT图像中的统计分布,结果以均值±标准差表示。
从上表可以看到,一阶矩和和均值在正常肝和原发性肝癌中的统计分布有着显著性差异,而熵在2者之间的分布差异则没有有效特征明显,很难将这2种样本区分开。这一结果与t检验特征选择的结果是一致的,从而更直观证明该特征选择机制的准确性。
将t检验选出的特征向量输入到神经网络分类器中进行实验。MATLAB神经网络工具箱提供十分丰富的分析计算和仿真函数,为神经网络的应用提供极大的方便[9],因此分析软件选用MATLAB。
由于不同特征的物理意义不同,具有不同的动态范围,这样不同的特征常不具有可比性,因此,在分类之前首先将特征值归一化[10]。对于特征值x,l是其取值上限,u是其取值下限,可用下式归一化到[0,1]之间
用神经网络识别系统进行实验时分别采用2个方案:
方案一:全样本作为检测样本。
把样本集全部用于训练神经网络识别系统,然后仍然用该样本集来测试,根据测试结果来评价神经网络识别系统对全样本的识别率。
方案二:留1/3样本作为测试样本,其余做训练样本。
正常的和原发性肝癌各有30组样本,分别从正常的随机抽取10组,原发性肝癌中随机抽取10组作为测试样本,剩下的全部为训练样本。一共进行实验100次,统计系统对所有测试样本的识别正确率的平均值及标准差。识别结果如表3所示。
在方案一中,BP神经网络的识别率达到100%±0.00%,这个识别结果是比较好的。但是方案一是全样本既做训练集又做测试集,因此这些结果还不足以衡量识别效果。不过从中可以说明此分类识别器可以用于解决正常肝脏、原发性肝癌的识别问题。
在方案二中,BP神经网络对正常肝的识别率达到100%±0.00%,对原发性肝癌的识别率达到93.60%±5.35%,由这个结果可见,BP神经网络识别系统对肝脏CT图像识别有较高的识别准确率。
从表2中可以看出,方案二的相应识别率要比方案一的相应识比率有所降低,但这完全符合模式识别理论的规律,有导师型神经网络[11]对学习过的样本能够很好的识别,但是对于从未学习过的检测样本,只能根据学习样本的训练结果对该样本进行推断,识别率必然有所降低。
4 结论
文中根据正常肝脏、原发性肝癌在CT图像上的差异,对图像感兴趣区域进行纹理特征的提取,通过筛选得到区分正常肝脏、原发性肝癌的特征向量,并通过神经网络分类器训练和测试达到对正常肝脏100.00%±0.00%,原发性肝癌93.60%±5.35%。实验结果表明,BP神经网络具有较高的识别准确率,在纹理分析中有一定的应用价值,对肝脏CT图像的纹理特征具有良好的识别能力。本项研究成果有望为临床诊断原发性肝癌提供计算机辅助诊断手段。
摘要：目的 探索图像纹理分析方法对原发性肝癌CT图像的识别能力。方法 首先从一阶统计特征、灰度共生矩阵、灰度行程矩阵3方面提取正常肝脏和原发性肝癌CT图像的纹理特征,然后采用t检验进行特征选择,最后利用BP神经网络对保留的特征进行分类识别。结果 BP神经网络对正常肝的识别率是100±0.00%,对原发性肝癌的识别率是93.60±5.35%。结论 BP神经网络经设计优化后能达到较高的识别准确率,对于原发性肝癌的计算机辅助诊断具有一定实际意义和理论价值。
关键词：原发性肝癌,特征提取,特征选择,BP神经网络
参考文献
[1]徐辉雄,谢晓燕,吕明德,等.超声引导经皮消融术治疗复发性肝癌[J].中华肝胆外科杂志,2005,11(12):809-811.
[2]朱志英,许红璐,陈仙.原发性肝癌患者的需求现状[J].Modern Nursing,2007,13(19):1824-1825.
[3]Mir A H,Hanmandlu M,Tandon S N.Texture analysis of CTimages.IEEE International Conference of the Engineering inMedicine and Biology Society,1995;14(6):781-6.
[4]Chen E L,Chung P C,Chen C L,Tsai H M,Chang C I.Anautomatic diagnostic system for CT liver image classification[J].IEEE Trans.Biomed.Eng.,1998,45(6):783-794.
[5]Stavroula G.Mougiakakou,Ioannis K.Valavanis,AlexandraNikita,et al.Differential diagnosis of CT focal liver lesionsusing texture features,feature selection and ensemble drivenclassifiers[J].Artificial Intelligence in Medicine.2007,41:25-37.
[6]西奥多里德斯(Theodoridis,S.)等著,李晶皎等译,模式识别[M],第3版,北京:电子工业出版社,2006.213-219,310-312.
[7]Haralick R M,Shangmugam K,et al.Textural Featuresf or Image Classification[J].IEEE Transaction on Systems,1973,SMC-3(6):768-780.
[8]刘次华,万建平.概率论与数理统计[M],第2版,北京:高等教育出版社,2003:202-203.
[9]雷晓云张丽霞梁新平,基于MATLAB工具箱的BP神经网络年径流量预测模型研究[J].水文,2008,28(1):43-46.
[10]万金鑫,宋余庆,董淑德,等.医学图像灰度归一化显示技术研究[J].CT理论与应用研究,2008,17(4):67-75.
[11]李荣峰.人工神经网络及其在水科学研究中的应用[J].山西水利科技,2003,450:53,65
纹理分析论文 篇2
经常在各大论坛上看到有关无缝纹理制作的提问，因为无论在制作3d贴图，还是网页低纹，或者定义photoshop的patten，对纹理的无缝衔接都有很高的要求，当然，使用某些插件比如kpt 3.0和Auto FX P/G Patten等都可以实现制作无缝纹理,不过其实使用Photoshop本身的滤镜也可以很方便地实现无缝纹理制作。
I.无缝的基础――offset 滤镜利用offset 移动以及复制边界像素的强大功能，是无缝衔接的第一大秘诀。下面我们通过一个例子来说明offset 的强大功能。1. 新建一个256X256像素的文件。(快捷键CTRL+N)提示：256X256并不是一个随意的数字，由于Photoshop的的图像均有数字生成，所以采用2的n次方作为文件尺寸,有很多好处，比如使用cloud等滤镜无需另加处理直接就可以实现无缝衔接。 2. 现在赋予图案一个基本纹理,选择菜单filter->texture->textu- rizer。(texture: sandstone, scaling: 150%,relief: 6, light direction: top, 如图一)
图一
图二
3. 在工具栏内选择文字输入工具(快捷键T)，在文件中央输入你所需要 的文字，我这里采用Arial Black字体，大小25磅，颜色为黑色，
并 将该文字层模式设到Color Burn(见图二)，选择菜单Edit->Trans- form->Numeric，将该文字层旋转30度(见图三)。
图三
4. 选择菜单Layer->Duplicate Layer，复制该文字层，并 重复这一操作，得到文字层的2个复制品;将每个复制层经动，得到大致如图四的结果，并选择Layer-> Flatten Image合并所有层。
图四
5. 选择菜单Filter->Other->Offset，将图像横移及纵移各 128pixel，并选中Wrap Around，如图五。
图五
6. 得到的结果应该已经实现了边界的无缝衔接，但是当中 好像太空了，我们重复步骤3，在文件中间填入两个相同的文字。最后的结果应该和图六相同。
图六
7. 到这里，这个范例算是大功告成，为了测试无缝 效果，选择Layer->Flatten Image合并所有层， 全选该文件(快捷键CTRL+A)，选择菜单Edit-> Define Patten，新建一个比较大的文件如1000 X1000 像素，选择菜单Edit->Fill，选择use patten(如图七)，就可以看到结果。 下次，将给大家介绍有关无缝纹理制作的高级技巧。
纹理分析论文 篇3
1 机械加工表面纹理缺陷检测系统框图
实验研究的纹理缺陷检测系统图如图1显示。
2 机械加工零件表面纹理特征分析
在机械生产加工过程中, 因为磨削, 咆哮工艺等加工出的零件表明多少都会有刀具留下的各种纹理缺陷, 在试验中运用傅里叶变换进行频谱分析中能看到对应频谱幅值图。
因为大部分缺陷纹理的图像都是那种垂直方向的, 所以这些地方的的像素点的频谱幅值很大。因为傅里叶变换是线型变换, 所以空域图像的信息能够较为全面的保持到频域, 纹理属性的方向纹理主要都集中反映在频谱图里和纹理方向垂直形成的平面上, 如果通过频域滤波器对频谱中能量较为集中的能量进行抑制滤波的话, 方向问你的纹理特征就会被大大的消弱, 这样就可以增强缺陷纹理便于识别和分类。
关于机械零件加工生产过程中的表面纹理的缺陷, 如果从缺陷纹理方面来考虑, 在很多情况下, 在缺陷纹理方向和加工过程中产生的原有图案不一致的情况下, 还有一种情况就是缺陷纹理在一般情况中分布很均匀, 方向性比较弱。如果从缺陷纹理角度观察, 因为缺陷纹理的频谱能量低于主纹理频谱能量。所以想要增强缺陷纹理图像, 只要通过找出频谱能量集中的主纹理并且过滤掉主纹理方向的频谱就可以做到, 然后通过图像分割法就能提取缺陷纹理了。
运用多种的计算公式及分析研究最终会轻而易举的在主纹理中提出缺陷纹理, 而且通过这些方法可以自动提取主纹理方向, 然后当检测物体的位置放生旋转时, 因为滤器方向跟着变换, 因此滤波器很容易找到高功率频谱带, 并且将其滤除, 也就是是想了缺陷检测的旋转不变性。
3 缺陷纹理提取方法
就这样被过滤之后主纹理就会被掩盖, 缺陷纹理图像很容易凸现出来, 然后在运用阀值分割法来划分缺陷纹理和主纹理。但是由于阀值分割后不仅能体现缺陷纹理还会包含噪声点, 所以还要对其结果进行处理。以便于消除噪声点。试验中考虑到噪声点是随机的, 而且缺陷纹理是有一定的图像形成的, 所以进一步实验表明, 对图像进行开运算, 由于开运算的变化是从先腐蚀在在膨胀的变化过程, 所以它不但可以消除这些噪声点还能消除图像分割时产生的误差。
4 实验证明及结果分析
为了证明提出纹理缺陷检测方法的最终效果, 实验中还采取了对比法来对缺陷纹理和主文理图像进行了测试分析, 一种是机械过程中的磨削等操作中自然转变的纹理缺陷, 而另一种是没有缺陷纹理的零件图像上重复的不同类型的纹理缺陷。纹理缺陷包括很多种图像, 无论是形状还是大小都是不规则的。
对不同纹理缺陷进行测试, 如下表。
检测结果中表明, 图像检测速度均为1.13s/每幅图, 所以结果证明许多方法对于缺陷纹理检测都没有此方法的正确率高。
5 结论
本文运用一个专门针对于于机械加工零件表面纹理图像观测检查的视觉检测系统方法, 而且在机械加工零件表面纹理特点的基础之上提出了新的适用于机械加工零件表面缺陷检测的方法。一切研究结果表明这种方法对于纹理缺陷检测方法不仅计算量较少, 而且还能相对准确的处理这些纹理缺陷。准确率相对来说也很高, 更具有实用性。值得开发运用研究。
参考文献
[1]任勇勇.基于传感器信号及表面纹理的工件表面缺陷检测[D].湘潭大学, 2013, 6.
[2]刘丽萍.浅析影响机械加工零件表面质量的因素及其改进策略[J].机电信息, 2011, 10.
photoshop滤镜教程纹理 篇4
Texture(纹理) 滤镜为图像创造各种纹理材质的感觉。(注:此组滤镜不能应用于CMYK和Lab模式的图像)
1、Craquelure(龟裂缝滤镜)
作用:根据图像的等高线生成精细的纹理,应用此纹理使图像产生浮雕的效果。
调节参数:
裂缝间距:调节纹理的凹陷部分的尺寸。
裂缝深度:调节凹陷部分的深度。
裂缝亮度:通过改变纹理图像的对比度来影响浮雕的效果。
图解效果:
原图像 龟裂缝效果
2、Grain(颗粒滤镜)
作用:模拟不同的颗粒(常规,软化,喷洒,结块,强反差,扩大,点刻,水平,垂直和斑点)纹理添加到图像的效果，
调节参数:
强度:调节纹理的强度。
对比度:调节结果图像的对比度。
颗粒类型:可以选择不同的颗粒
图解效果:
原图像 颗粒效果
3、Mosaic Tiles(马赛克拼贴滤镜)
作用:使图像看起来由方型的拼贴块组成,而且图像呈现出浮雕效果。
调节参数:
拼贴大小:调整拼贴块的尺寸。
缝隙宽度:调整缝隙的宽度。
加亮缝隙:对缝隙的亮度进行调整,从而起到在视觉上改变了缝隙深度的效果。
纹理分析论文 篇5
纹理信息是一个很重要的视觉信息, 因此图像纹理识别也是数字图像识别的一个重要分支。纹理是由于物体表面的物理属性不同而造成的, 不同的物理表面会产生不同的纹理图像, 因而纹理作为图像的一个非常重要的属性, 在计算机视觉和图像处理中占有举足轻重的作用。纹理是图像中一个重要而又难以描述的特征, 关于图像纹理至今还没有为众人公认的严格定义。但图像纹理对我们来说却是很熟悉的, 它们反映了物体表面颜色和灰度的某种变化, 而这些变化又与物体本身的属性相关。例如在遥感图像中, 沙漠图像的灰度空间分布性质与森林图像的灰度分布性质有着显著的差异。此外, 一些物体表面可能具有与方向相关的纹理信息。通常把图像灰度分布性质或者图像表面呈现出的方向信息称为纹理结构, 它有助于区别不同的纹理区域。
通过对灰度共生矩阵的介绍, 提出一种基于灰度共生矩阵提取车刀车削工件表面纹理图像特征, 主要研究灰度共生矩阵在一定程度上有效地识别由新刀车削形成的工件表面纹理和刀具急剧磨损时车削形成的工件表面纹理。
1 纹理分析方法
纹理分析是图像分析中的重要组成部分, 在场景分析、医学图像分析、遥感图像处理、基于内容的图像检索等领域中都具有重要的应用价值, 是近年来的研究热点之一。常用的纹理分析方法可以归为统计法 (如:灰度共生矩阵法, Laws纹理能量法) 、结构法 (主要适用于非常规则的人工纹理) 、模型法 (如随机场法, 分形法) 和空间/频率域结合法 (如:Gabor变换, 小波变换) 四类。
实践证明, 统计方法更适合于处理自然纹理。在统计法中, 有最简单的研究纹理区域中的统计特性, 有研究像元领域内的灰度或属性的一阶统计特性, 有研究一对像元或多像元及其领域或属性的二阶或高阶统计特性, 也有研究用模型来描述纹理。灰度共生矩阵是描述纹理的经典而成熟的方法, 由此所生成的参数可以描述纹理多方面的统计特征。
作为纹理分析的特征量, 往往不是直接应用计算的灰度共生矩阵, 而是在灰度共生矩阵的基础上再提取纹理特征量, 称为二次统计量。本文所介绍的灰度共生矩阵分析法就是一种典型的二阶统计分析法。
2 灰度共生矩阵法
2.1 灰度共生矩阵定义
共生矩阵用两个位置的象素的联合概率密度来定义, 它不仅反映亮度的分布特性, 也反映具有同样亮度或接近亮度的象素之间的位置分布特性, 是有关图像亮度变化的二阶统计特征。它是定义一组纹理特征的基础。一幅图像的灰度共生矩阵能反映出图像灰度关于方向、相邻间隔、变化幅度的综合信息, 它是分析图象的局部模式和它们排列规则的基础。
灰度共生矩阵是统计空间上具有某种位置关系的一对像元灰度对出现的概率, 其实质是从灰度为i的象素点出发, 统计与其距离为d灰度为j的象素 (x+Dx, y+Dy) , 定义这两个灰度在整个图像中发生的概率为
P (i, j, d, θ) ={[ (x, y) , (x+Dx, y+
Dy) | f (x, y) =i, f (x+Dx, y+Dy) =j]} (1)
式中:x, y=0, 1, 2, …, n-1是图像中的象素坐标;i, j=0, 1, 2, …, l-1是灰度级;Dx, Dy是位置偏移量;d为生成灰度共生矩阵的步长;θ为生成方向。这样, 2个象素灰度级同时发生的概率, 就将 (x, y) 的空间坐标转换为 (i, j) 的灰度对描述, 它们形成的矩阵称为灰度共生矩阵。
灰度共生矩阵可以理解为象素对或灰度级对的直方图。这里所说的象素对和灰度级对是有特定含义的, 一是象素对的距离不变, 二是象素灰度差不变。距离δ由 (Dx, Dy) 构成, 如图1所示。
很明显, 若Dx=l, Dy=0, 则θ=0;根据上述定义, 所构成的灰度共生矩阵是一个集合, 集合中的一个元素P (i, j, d, θ) 为第i行、第j列矩阵元素, 表示所有在θ方向上、相邻间隔为δ的象素, 一个为灰度值i, 另一个为灰度值j的相邻点对数在实际应用中往往用4个方向的位置关系计算各自的灰度共生矩阵-0°, 90°, 45°, 135°方向。
灰度共生矩阵是对称矩阵, 对粗纹理的区域, 因为像素对趋于具有相同的灰度, 其灰度共生矩阵的不为零元素将集中分布在主对角线附近;而对于细纹理的区域, 其灰度共生矩阵分布比较分散。
2.2 灰度共生矩阵常用的纹理特征解析
由于灰度共生矩阵的计算量很大, 为简便起见, 一般采用下面4个最常用的特征来提取图像的纹理特征。
a) 角二阶矩 (能量) :
E=∑i∑jP (i, j) 2 (2)
角二阶矩是图像灰度分布均匀性的度量, 由于是灰度共生矩阵元素值平方和, 又称能量, 它是图像纹理灰度变化均一的度量, 反映了图像灰度分布均匀程度和纹理粗细度, 如果共生矩阵的所有值均相等, 则E值就小;相反, 如果其中一些值大而其他值小, 则E值大。一幅有着一致灰度图像的灰度共生矩阵只有一个值, 它等于图像的总像素数, 它的E值最大, 因此E的值大则表明一种较均一和规则变化的纹理模式。
b) 惯性矩 (对比度) :
I=∑i∑jP (i, j) (i-j) 2 (3)
图像的对比度可以理解为图像的清晰度, 即纹理清晰程度。在图像中, 纹理的沟纹越深, 其对比度越大, 图像的视觉效果越是清晰。
c) 相关性:
undefined
其中: μβ=∑i∑jiP (i, j) (5)
μγ=∑i∑jjP (i, j) (6)
δ2□=∑i∑jP (i, j) (i-μβ) 2 (7)
δ2□=∑i∑jP (i, j) (j-μγ) 2 (8)
μβ, μγ为均值;δ2□, δ2□为方差。
它度量空间灰度共生矩阵元素在行或列方向上的相似程度, 因此, 相关值大小反映了图像中局部灰度相关性, 当矩阵元素值均匀相等时, 相关值就大;相反, 如果矩阵像素元值相差很大, 则相关值小。当一幅图像中相似的纹理区域有某种方向性时, 其值较大。
d) 熵:
H=-∑i∑jP (i, j) logp (i, j) (9)
熵度量图像纹理的随机性, 当空间共生矩阵中所有值均相等时, 它取得最大值;相反, 如果共生矩阵中的值非常不均匀时, 其值较小。因此, 熵的最大值暗示图像中灰度分布非常随机。
3 实验结果提取与分析
在对实验数据用灰度共生矩阵法分析之前, 应对实验所得图像进行适当的预处理, 最终用于灰度共生矩阵法提取特征的图像是经过剪切、光照、不均匀校正、灰度修正、平滑等预处理后的图像。
图2 (a) 为由新刀具车削所形成工件的表面纹理图像, 可以看出其纹理具有很好的规则性, 图2 (b) 车刀加工至33刀时所形成的工件表面纹理, 这时刀具已经严重磨损, 纹理凌乱无规律。我们通过它们的共生矩阵来分析这两幅图像的特征。
首先需要对灰度级为256级的图像进行压缩, 这样可以既减少计算量又便于分析。取θ=90°, d=1, 然后按共生矩阵的定义对图2的两幅纹理图像进行统计, 可分别得到式 (1) 和式 (2) 所示的归一化共生矩阵:
从图3 (a) 看, 在沿着纹理方向的共生矩阵中, 主对角线元素值很大, 而其他元素值几乎全为零, 这说明了沿着纹理方向上没有灰度变化。可见, 大的主对角线元素提供了识别纹理方向的可能性。而从图3 (b) 看, 非零的元素值在主对角线的两侧分布比较散乱, 这说明沿着纹理方向上的灰度变化起伏比较大, 这是刀具磨钝后车削形成的工件表面纹理的一个特征。另外, 在两个共生矩阵的主对角线上, 灰度级越低, 元素值越大, 说明两幅图像中低灰度级象素成分都较大。
上述分析表明灰度共生矩阵能在一定程度上有效地识别由新车削形成的工件表面纹理和刀具急剧磨损时车削形成的工件表面纹理, 但对于刀具不同磨损程度时车削形成的一系列工件表面纹理, 则需要靠灰度共生矩阵的特征参数才能有效识别。
对图4中的原始工件表面纹理图像每走3刀采集一次图像, 分别计算其共生矩阵, 并从中统计出如表1所示的特征参数。图5是各特征参数与走刀次数的关系图, 从图5来看, 角二阶矩E、相关性C、熵H随着走刀次数的增加都没有很强的规律性, 只有惯性矩I随着走刀次数的增加表现出了较强的规律性。在图5中, 可以明显地看到, 在加工到第33刀以前, 惯性矩I的值在一个相对较小的范围波动, 当加工到第33刀的时候, 惯性矩I的值在刀具磨损严重的时候突然增大。
通过验证, 当取最佳距离d=1, 方向θ=90°时的惯性矩I作为特征参数, 用来判断刀具磨损的情况, 可以取得较好的结果。
4 结论
基于工件表面图像, 分析了车刀车削工件表面纹理在归一化灰度共生矩阵中所表现出的特点, 对于新刀车削形成的工件表面纹理, 其图像对应的共生矩阵中的主对角线元素值很大, 而其他元素值几乎全为零。而对于刀具磨损程度比较高时车削形成的工件表面纹理, 其图像对应的共生矩阵中非零的元素值在主对角线的两侧分布比较散乱。分析表明灰度共生矩阵能在一定程度上有效地识别由新刀车削形成的工件表面纹理和刀具急剧磨损时车削形成的工件表面纹理。
摘要：通过对灰度共生矩阵的介绍, 提出一种基于灰度共生矩阵提取纹理图像特征。对纹理学原理与其主要研究方法进行了分析, 然后结合车削工件表面图像特征, 研究了纹理学特征分析的经典方法——灰度共生矩阵法, 并结合车削工件表面图像, 分析了车削工件表面纹理在归一化灰度共生矩阵中所表现出的特点。
关键词：灰度共生矩阵,工件表面纹理,特征参数
参考文献
[1]王亮申, 欧宗瑛.图像纹理分析的灰度-基元共生矩阵法[J].计算机工程, 2004 (23) .
[2]颜梅春, 张友静, 鲍艳松.基于灰度共生矩阵法的IKONOS影像城市草地信息提取[J].测绘工程, 2005 (01) .
[3]姚宏宇, 李弼程.基于广义图像灰度共生矩阵的图像检索方法[J].计算机工程与应用, 2004 (34) .
[4]薄华, 马缚龙, 焦李成.图像纹理的灰度共生矩阵计算问题的分析[J].电子学报, 2006 (1) .
[5]白雪冰, 王克奇, 王辉.基于灰度共生矩阵的木材纹理分类方法的研究[J].哈尔滨工业大学学报, 2005 (12) .
[6]赵晖, 鲍莉, 梁光明, 等.基于综合灰度共生矩阵的显微细胞图像纹理研究[J].自动化技术与应用, 2004 (10) .
[7]郭德军, 宋蛰存.基于灰度共生矩阵的纹理图像分类研究[J].林业机械与木工设备, 2005 (07) .
[8]Soh LK, Tsatsoulis C.Texture analysis of SAR sea ice imagery u-sing gray level co-occurrence matrices[J].IEEE Transaction onGeoscience and Remote Sensing, 1999, 37 (2) :780-784.
[9]Kandaswamy U, Adjeroh D A, Lee MC.Efficient texture analysisof SAR imagery[J].IEEE Transaction on Geoscience and RemoteSens-ing, 2005, 43 (9) :2075-2083.
纹理分析论文 篇6
MRI技术是诊断MS的重要手段[5,6]。常规MRI显示90%左右具有明确形态的MS可见病灶[7,8],然而却无法直接观察到MS患者表现正常脑白质中存在的隐匿性弥散病变。Armspach等[9]经尸检证实MS患者MRI表现正常脑白质中有微观病变存在,包括胶质细胞增生、片状水肿、血管周围渗出、异常薄的髓鞘及轴索丢失等。如果能够利用图像分析技术深入解析MR图像,对表现正常脑白质(normal appearing white matter,NAWM)与健康对照脑白质(normal white matter,NWM)进行识别,有助于MS的早期诊断。
纹理分析是医学图像后处理的重要手段,能定量显示图像像素值及其排列方式的细微变化[10],称为图像的放大镜和显微镜,目前常用来提取图像中组织细微病变的特征[11]。神经脱髓鞘病变及随之出现的炎症、肿胀等病理改变在MR图像中必然表现出灰度值及排列方式改变。本研究拟通过纹理分析的灰度差分统计法及游程长矩阵从常规MR图像中提取纹理特征,研究MS患者病灶区脑白质(LWM)、NAWM和NWM的纹理特征之间是否存在显著差异揭示MS的隐匿性病变,为MS的早期诊断和病情监控提供更多有价值的信息。
1 资料与方法
1.1 研究对象
选取2005-01~12首都医科大学附属宣武医院经临床确诊的MS患者和健康志愿者(对照组)各26例,其中MS患者男9例,女17例;年龄18~55岁,平均(32.0±9.9)岁;病程1~20年,平均(5.1±5.0)年,扩展残疾功能状态量表(expanded disability status scale,EDSS)评分1~5分,平均(2.9±1.5)分。26例对照组受试者神经系统检查正常,其中男9例,女17例,年龄19~58岁,平均(32.5±10.2)岁。两组性别、年龄差异无统计学意义(P>0.05),具有可比性。
1.2 仪器
采用Sonata 1.5T MR扫描仪,所有受试者行快速自旋回波T2WI(TR/TE=5460/94 ms)横轴位连续30层覆盖全脑扫描。扫描层厚4 mm,层间隔0.4mm,梯度场40 m T/m,切换率200 m T/(m·ms),视野240 mm×220 mm,矩阵256×224。分别在MS患者的MR T2WI LWM、NAWM及对照组NWM提取大小为32×32像素的感兴趣区(ROI)(图1),组成样本集,3组共计78个样本。
1.3 研究方法
本文利用灰度差分统计法和游程长矩阵对MS患者及对照组的MR图像进行纹理分析[12,13]。
A为MS患者MRI,B为对照组MRI。1:病灶区;2:表现正常脑白质区;3:对照组正常脑白质区
1.3.1 灰度差分统计法
灰度差分统计法的基本原理是描述纹理图像各像素及其相邻像素之间的灰度变化情况,是纹理分析最常见的方法[12]。设图像中某点为(x,y),则它与距其距离较短的点(x+Δx,y+Δy)的灰度差值为:
g△(x,y)就称为灰度差分。通过将点(x,y)在整幅图像上遍历,得到各点的g△(x,y),设灰度差分值可取m级,统计g△(x,y)取各个值的次数,即可以绘出g△(x,y)的直方图,最后根据直方图确定g△(x,y)取各个值时对应的概率PΔ(i)。
当i的值较小、对应的概率PΔ(i)较大时,说明纹理比较粗糙;反之,如果概率分布平稳,说明纹理细密。可见纹理特征与PΔ(i)密切相关。本研究提取对比度、能量、熵和平均值4个参数来描述纹理特征:
1.3.2 游程长矩阵
游程长矩阵的基本思想是在某个方向上、相邻具有相同灰度或某个灰度范围的像素个数,是对图像灰度关系的高阶统计。在相同大小的区域中,若粗纹理较多,长游程就多,而总游程数少;细纹理较多,短游程就多,而总游程数多。因此,游程也可以反映图像纹理的粗细程度。
游程长矩阵的元素c(i,j)定义为在灰度正规化的图像F(m,n)上同时具有灰度值为i和游程长度为j的像素组出现的次数,游程长与灰度级数、长度、方向等因素有关。c(i,j)归一化后,可得到p(i,j)。游程长矩阵可以提取多个纹理描述符,本文提取了4个经常用到的传统参量,分别为短游程因子、长游程因子、灰度不均匀度因子和游程长不均匀度因子:
1.4 统计学方法
采用SPSS 13.0软件,对所提取的LWM、NAWM和NWM样本的纹理参数比较行方差分析,P<0.05表示差异有统计学意义。
2 结果
方差分析显示,3组样本各纹理特征均存在单调变化趋势,其中能量在LWM、NAWM、NWM 3组中呈递增趋势(F=99.178,P<0.001),对比度、熵和平均值呈递减趋势(F=45.947、95.637、77.837,P<0.001)。长游程因子和灰度不均匀度因子在3组中呈递增趋势(F=11.456、102.747,P<0.001);短游程因子和游程长不均匀度因子呈递减趋势(F=54.195、51.087,P<0.001),见表1。
两两比较显示,LWM、NAWM、NWM样本间除对比度、长游程因子和灰度不均匀度因子在NAWM和NWM组间差异无统计学意义(P>0.05)外,其余两两比较,差异均有统计学意义(P<0.05、P<0.001)。
3 讨论
早在1979年,Allen等[14]运用组织学、生物化学等方法对MS患者NAWM进行系统研究,显微镜下观察14例患者的34份标本,其中72%的标本存在病变。随着病情发展,有些NAWM在一段时期以后会出现脱髓鞘病灶,即MS发病早期,在主观症状及常规MRI可见明确的MS形态特征之前,脑白质中已经发生了一些常规MRI无法显示的微观变化。然而在MS早期仅有细微的病理变化时,利用常规检查手段,如测量病灶的体积和数量等都很难检测MS[15]。因此,研究LWM病理组织和NWM(或NAWM)组织在微观上的差异,从而更早地诊断MS显得尤为重要。
应用纹理分析技术研究图像像素灰度值变化规律及其分布模式能够敏感地反映机体组织病理的细微变化。如果能够利用图像分析技术深入解析MR图像,探测脱髓鞘早期微观变化将有助于MS的早期诊断。本研究利用纹理分析的灰度差分统计法和游程长矩阵对MS患者常规MRI T2WI图像的灰度信息进行特征提取,以探索检测MS患者隐匿性病变的新方法。
本研究结果显示,所提取的8个纹理特征在LWM、NAWM、NWM 3组间均呈单调变化趋势,能量呈递增趋势,对比度、平均值和熵呈递减趋势,长游程因子和灰度不均匀度因子呈递增趋势,短游程因子和游程长不均匀度因子呈递减趋势。
能量描述的是图像灰度均匀分布的特性,粗纹理的能量值较大,细纹理的能量值较小。对比度描述图像的清晰度,是对局部灰度变化的度量,反映邻近像素的反差。粗纹理的对比度值较小,细纹理的对比度值较大。熵表示图像中纹理的非均匀程度或复杂程度,粗纹理的熵值较小,细纹理的熵值较大。粗纹理的P(i)在零点附近比较集中,因此其平均值比细纹理的要小。本研究中能量、对比度、熵、平均值参数的变化趋势均与此一致。
游程长矩阵是分析纹理特性的有效方法。在粗纹理区域的灰度游程长度较长,长游程的数目较多,长游程因子值较大;而在细纹理区域,短游程长度的情况比较多,则短游程因子值较大[12]。本研究结果显示长游程因子与短游程因子的变化趋势相反,短游程因子递减,长游程因子递增。若图像中各灰度的游程长度接近均匀分布,则灰度不均匀度因子取最小值,说明整个图像的灰度分布并不均匀。如果图像中某种灰度出现较多,即灰度都比较均匀,则该值越大。游程长不均匀度描述图像中游程长度的相似性,如果整幅图像的游程长度较相似,则游程长不均匀度的值较小[12,16]。MS患者脑组织受损,MR图像的游程分布及游程长度也会相应地发生变化。
无论呈上升或下降趋势,8种纹理特征中NAWM均处于LWM和NWM之间,完全符合从正常脑白质经MS隐匿性病变到有形病灶的病理发展过程。3组样本间除对比度、长游程因子和灰度不均匀度因子在NAWM和NWM组间无显著差异外,其余均存在显著差异。这是由于LWM和NWM及NAWM的纹理差异较大,而NAWM和NWM之间的差异不大,与肉眼观察一致,并经研究结果证实[15,17]。
总之,本研究利用灰度差分统计法和游程长矩阵对MS患者及健康志愿者的脑部MR图像进行了纹理分析,结果显示,NAWM与LWM及NWM的纹理特性均存在显著差异,可能有助于MS的早期诊断。由于影响疾病的因素多种多样,仍需要进一步扩充和完善样本集进行深入研究。
摘要：目的 利用灰度差分统计法和游程长矩阵分析MRI上多发性硬化患者病灶区脑白质(LWM)、表现正常脑白质(NAWM)及健康人脑白质(NWM)纹理特征的差异。资料与方法 于26例多发性硬化患者和26例健康对照者的T2WI图像中提取感兴趣区,组成LWM、NAWM和NWM3组样本。利用灰度差分统计法和游程长矩阵提取对比度等8个纹理特征,比较3组样本各纹理特征间的差异。结果 LWM、NAWM、NWM3组样本能量呈递增趋势(F=99.178,P<0.001),对比度、平均值和熵呈递减趋势(F=45.947、95.637、77.837,P<0.001);长游程因子和灰度不均匀度因子呈递增趋势(F=11.456、102.747,P<0.001),短游程因子和游程长不均匀度因子呈递减趋势(F=54.195、51.087,P<0.001)。3组样本间两两比较,NAWM和NWM组间对比度、长游程因子和灰度不均匀度因子差异无统计学意义(P>0.05),其余差异均有统计学意义(P<0.05、P<0.001)。结论 纹理分析可以揭示多发性硬化患者的隐匿性病变,有助于多发性硬化的早期发现和治疗。
纹理分析论文 篇7
纹理作为图形图像的一项基本特征, 通常指呈现在物体表面的凹凸不平的沟纹, 它反映了物体表面的粗糙度, 光滑度和起伏程度。对于纹理的定义不尽相同, 普遍认为它是像素灰度按一定规律变化形成的, 只有把图像分割成若干区域才能对其纹理进行研究。同时由于自然界中的任何物体表面都会产生不尽相同的纹理, 即具有不同的纹理特征, 利用纹理的独有性, 我们可以通过不同物体所具有的不同的纹理特征来区分不同的图像, 从而将其应用于数字图像处理、计算机图形学、遥感影像、生物医学, 地球物理勘探等领域。
2 地震纹理属性概述
地震数据中像元的反射振幅与波形在特定方向上会发生变化, 地震资料中纹理的粗细直接或间接反映了不同地质构造所形成的反射振幅的强弱。随着几十年来油田勘探开发的深入, 勘探对象已经从构造油气藏转向复杂油气藏, 传统地震属性对于断距较小的小断层、裂缝以及薄储层的响应不明显, 而纹理属性所具有的直观性则可以为小型地质体的识别以及薄砂体储层的预测提供一定的指导依据。
3 灰度共生矩阵原理
为了弄清不同的纹理集合所揭示的地质构造特征和地震相, 我们需要对地震图像进行纹理分割和纹理基元的合成。纹理属性的提取是图像分析中一项很重要也很具有难度的工作, 不少中外学者对纹理属性的提取方法进行了研究, 目前, 最广为人们接受的是1993年Jain提出的四大类方法:统计分析方法、模型分析方法、结构分析方法、信号处理方法[1]。
灰度共生矩阵最早由Haralick于1973年提出, 是描述纹理结构性质特征的基本函数。该方法是建立在估计图像的二阶组合条件概率密度基础上, 是反映图像灰度变化的二阶统计量。灰度共生矩阵是一个对称矩阵, 主要计算在θ方向上, 距离为d的分别具有灰度值i和j的像素对的出现概率, 矩阵的阶数由图像的灰度级数决定[2]。
以三维空间中的灰度共生矩阵为例, 其算法可以表示为:
其中i, j为空间中两像素点 (x1, y1, z1) , (x2, y2, z2) 的灰度值, L为灰度级数, d, θ为两像素点的距离与方向, Nx, Ny, Nz为图像的行列数。
计算灰度共生矩阵时, 由于矩阵每次只能计算一个面, 因此每次选择x, y, z中的两个方向计算, 通常角度θ应取0度、45度、90度和135度四个方向, 分别计算出纹理属性值后, 再求其平均值作为输出的纹理属性值[3]。
我们把L×L阶灰度共生矩阵归一化后用下式表示:
其中:P0, 0可以无限到P1, 0P2, 0P3, 0...PL-1, 0
P0, 1可以无限到P1, 1P2, 1P3, 1...PL-1, 1
P0, L-1可以无限到P1, L-1P2, L-1P3, L-1...PL-1, L-1
利用灰度共生矩阵, 我们可以提取出14种不同的纹理特征值, 但14种纹理特征值中有的彼此相关, 全部提取会产生数据的浪费, 为简便起见, 一般提取能量、熵、均质性和对比度这四个常用的纹理特征进行研究。
(1) 角二阶矩E=∑i∑jP2ij
角二阶矩大则矩阵对角线元素值大, 这时反映纹理粗, 看不出细节, 图像模糊, 角二阶矩小则灰度变化较大, 图像清晰。
(2) 熵S=-∑i∑jPijlog Pij
熵值大, 则纹理细而复杂, 图像较为清晰。反之, 则纹理粗, 图像模糊。
(3) 均质性H=∑i∑j1/1+ (i-j) 2Pij
均质性小则纹理在局部分布不均匀, 局部变化大, 纹理平滑性差, 图像分辨率较高, 图像清晰;均质性大则纹理局部分布较均匀, 变化小平滑性好, 图像分辨率低, 图像模糊。
(4) 对比度C=∑i∑j (i-j) 2Pij
对比度度量矩阵中值的分布情况和影像中局部变化的多少, 反映了影像的清晰度和纹理的粗细[4]。对比度高则图像较清晰, 纹理较细, 易于分辨, 反之则图像模糊, 看不出纹理。
4 基于灰度共生矩阵的地震纹理属性的提取
在灰度共生矩阵理论基础上, 用相关软件提取地震纹理属性主要分为以下几步。
4.1 灰度图像提取
首先将多波段的影像 (RGB影像) 转换为灰度图像, 纹理属性作为一种结构属性在RGB三个波段的影像上的反映是一样的, 所以我们只需任意选择其中一种波段进行提取分析即可。
4.2 压缩图像灰度级
实际工作中接触到的图像多为256级, 如果不压缩灰度级, 会使计算时间很长, 数据浪费, 因此需要大量压缩灰度级, 同时不能丢失图像的纹理特征。因此, 在计算灰度共生矩阵时, 一般取8级或16级。
4.3 生成地震纹理图像
我们按照选定好的窗口大小和提取步长, 计算每个窗口的灰度共生矩阵, 把得到的纹理特征值赋值给该窗口中心点, 作为该处最终纹理特征值, 然后窗口移动一个步长后继续计算新的灰度共生矩阵, 再把值赋给新的窗口中心点[4], 以此循环, 分别按相同步长从四个角度分别计算完灰度共生矩阵后, 求特征值的平均值, 这时整个图像就会转换成纹理特征矩阵, 最后把纹理特征矩阵转为纹理特征图像。
5 地震纹理属性影响因素分析
影响地震纹理属性提取的因素很多, 包括灰度级数、提取窗口、步长、角度以及地震资料的质量等等。本文只选取灰度级数和提取窗口这两个主要影响因素进行研究。
5.1 提取窗口因素的影响
以塔里木X9井区为例, X9井区位于塔里木盆地塔中隆起带中顺托果勒低隆起构造单元内。研究区志留系构造总体上表现为南高北低的单斜, 为海侵背景下发育的退积叠置沉积。
我们通过相关软件截取该区的一个地震振幅属性切片, 图中划线区域为呈现高振幅能量的河道 (图1) , 选取RGB图像的R波段, 设定窗口大小分别为3*3, 7*7和15*15, 步长为1, 灰度级数16, 对该切片中角二阶矩、熵、对比度和均质性四种纹理特征进行提取, 以均质性为例 (图2-图4)
可以看出, 随着提取窗口的增大, 图像清晰度逐渐降低, 纹理细节丢失, 当窗口为15*15时, 图像中振幅能量较高的河道区域边界变得模糊, 河道内部细节减少了, 而用3*3和7*7的窗口尺寸提取的纹理特征细节相对清晰, 边界识别较好, 但当图像较大时, 尽管小窗口尺寸提取纹理可以保留更多的纹理信息, 但是计算量会呈指数增长, 因此, 实际应用中遵循的原则是提取窗口大小不大于图像大小的一半。
5.2 灰度级数的影响
同样以X9区该地震振幅切片为例, 我们设定窗口大小为7*7, 步长为1, 选取波段为R波段, 把图像灰度级分别压缩为16级, 32级和64级, 分别对应图5到图7三个不同灰度级下的熵的纹理特征图像。
压缩灰度级是进行地震纹理属性分析的一个必要步骤, 如何在大量降低灰度级的同时保留更多的地质信息是我们必须考虑的因素, 对于熵可以看出灰度级16的图像拥有更多的纹理细节, 地质信息较丰富。随着灰度级的增大, 图像的河道边界变模糊, 个别小的构造带区分不明显。一般我们的建议是把灰度级压缩到8或者16较为合适。
6 结束语
6.1 相比于其他地震属性, 地震纹理属性的应用较晚, 但是它在区分小构造单元以及划分地震沉积相上具有更大的优势, 目前在碎屑岩储层预测上应用较多, 而在碳酸盐岩上则有待发展, 因此它的前景十分广阔。
6.2 灰度共生矩阵是目前进行纹理属性研究最广泛的一种方法, 除此之外的小波变换, Gabor滤波, Fourier变换等同样可以进行纹理属性的提取分析, 所以需要根据具体情况选择最合适的方法。
6.3 纹理提取窗口和灰度级数的选取对提取纹理属性的好坏至关重要, 通过分析发现选取较小的灰度级数有利于熵和角二阶矩的提取, 而提取对比度和均质性则需要选取较大的灰度级数。
参考文献
[1]李胜军, 高建虎, 张军舵, 等.体纹理属性提取技术研究及应用[J].地球物理学进展, 2013, 28 (3) :1563-1569.
[2]刘丽, 匡纲要.图像纹理特征提取方法综述[J].中国图象图形学报, 2009, 14 (4) .
[3]王治国, 尹成, 雷小兰, 等.河道纹理属性分析中的灰度共生矩阵参数研究[J].石油地球物理勘探, 2012, 47 (1) :100-106.
纹理分析论文 篇8
纹理分析是近年新出现的一种评估医学图像中肿瘤内部异质性的工具。18F-FDG PET图像所表达的肿瘤异质性信息能够更好地反映肿瘤组织的特点, 并且更准确地对治疗反应进行预测以延长患者的生存时间[5,6,7,8,9,10,11,12]。目前, 在对比增强CT及MRI领域已有许多关于纹理分析方面的文献, 但在PET方面的价值则处于初步研究阶段。本文对目前关于18F-FDG PET图像纹理分析方面的研究进行分析, 以便进一步探索其在临床应用中的潜能。
1 纹理分析
纹理分析是一种描述体素、像素间灰度强度关系或者其在图像中的位置关系的数学算法, 其优点在于能够发现人们肉眼所不能发现的图像细节信息 (图1) , 而且它是一种基于后处理技术得到的定量参数, 故在获取数据的过程中可以很好地进行标准化。
有许多纹理特征可以对肿瘤内部的异质性进行描述[10,13]。纹理参数可以通过数据法、模型法或转化法获得。数据法是最常用的方法[14,15], 其通过计算在图像中每个像素的局部特征并根据局部特征的空间分布获得参数。这种算法分为一阶 (单体素) 、二阶 (双体素) 及高阶 (3个以上体素) 等几种方法。
一阶描述的是总体纹理特征, 即感兴趣区内的灰度频度分布情况, 基于直方图分析方法, 包括平均、最小及最大强度, 标准差, 偏度及峰度。二阶描述局部纹理特征主要应用空间灰度依属法 (SGLDM) 或者共生矩阵, 这些矩阵描述一个像素的强度i与另一个像素的强度j之间的关系, 主要包括熵、能量、对比度、同质性、异质性及相关性。高阶是应用相邻灰度差分矩阵描述图像局部特征[10,16]。由NGTDMs获得的局部特征基于每个体素及其邻近体素间的差异, 是最接近于人工判读经验的方法[16]。例如, 粗糙度是一个局部纹理参数, 其与图像的颗粒度类似, 描述了图像最基本的纹理特性。对比度描述的是一个图像内强度的动态变化范围及局部强度的差异, 频度描述的是图像内强度的变化速率[8,16]。高阶区域特征可以依据体素排列及灰度范围矩阵计算得出, 反映了区域内强度的变化或同质区域的分布情况[10]。
2 18F-FDG PET图像纹理分析
在分子影像及个性化诊断的时代, 用于诊断的图像生物学参数必须是客观的、定量的、准确的、具有可重复性的, 才具有实际的临床应用价值。SUV是18F-FDG PET报告中最常用的诊断参数, 常应用于肿瘤的良恶性诊断、分期及预后评估。然而, SUV仅仅反映了图像中单个像素内肿瘤的代谢信息, 不能准确地反映肿瘤完整的生物学信息。PET纹理分析是最近新出现的PET图像分析方法, 可以完整地分析整个病灶内的细节信息, 其在对实体肿瘤的预后预测、治疗反应评估及术前对肿瘤分期的预测方面具有一定的价值, 且在肿瘤预后方面的相关性优于SUV[5,6,7,8,9,10]。
PET图像上所能观察到的只是放射性浓聚影, 然而对浓聚影的分布、强度以及放射性分布的均匀性、一致性和肿瘤内部放射性分布强弱等难以给出量化分析。PET的图像纹理分析是通过一定的方法把这些图像纹理特征提取出来, 并与临床结合, 发挥其在肿瘤诊断和治疗中的作用。
尽管PET图像纹理分析能够提供病灶较全面的细节信息, 但也有其局限性。PET的空间分辨率较低, 其单一体素边长为5 mm, 难以对体积较小的肿块进行分析。在诊断过程中纹理分析的准确性与图像的质量有关。图像采集、重建及图像质量参数如噪声、运动伪影及层厚都很重要。这些因素都会不同程度地影响纹理分析的结果, 因此纹理特征参数要根据不同的图像模型来进行选择。
还有一些需要仔细评估的因素是感兴趣区的勾画方法及观察者的个体差异。初步研究显示一些纹理参数的重复性与SUV相当甚至更好[17], 但是还需要研究纹理参数是否会像SUV一样受药物注射与采集时间的影响[18]。
从有关纹理特征的医学影像方面报道来看, 人们对18F-FDG PET图像在肿瘤方面的纹理分析越来越感兴趣。由于这是一个新出现的概念, 所以针对18F-FDG PET图像纹理分析的研究较少, 既往发表的相关文献分析见表1。
3 纹理分析的应用价值
3.1 诊断方面价值
由NGTDMs获得的纹理参数, 如粗糙度、对比度、频度[16], 具有区分头颈癌原发及转移病灶与正常组织的能力[7]。原发及转移病灶与正常组织相比具有较低的粗糙度及频度, 但有较高的对比度。Yu等[8]研究了20例头颈癌及20例非小细胞肺癌患者, 在18F-FDG PET图像上人为划分正常与肿瘤组织, 发现由NGTDMs获得的纹理参数如PET粗糙度、PET对比度及CT粗糙度具体较好的分辨力, 并且可以提高选择放射治疗靶区的准确性。
王长梅等[19]选择基于邻域灰度差矩阵的一些纹理参数对肺肿瘤的鉴别进行研究, 发现将18F-FDG PET图像纹理特征与诊断医师的先验知识结合起来能够明显提高肺部肿块良恶性的诊断灵敏度, 并且肺癌与良性肿瘤相比具有较低的粗糙度、对比度及频度。
3.2 预测预后的价值
纹理参数较SUV参数对治疗反应及生存期具有更好的预测价值。Eary等[9]回顾性研究了234例软组织肉瘤患者在新辅助化疗或外科治疗前18F-FDG PET图像的肿瘤异质性, 发现肿瘤的异质性是生存期的独立预测指标, SUVmax对患者的生存期不具有预测价值。EI Naqa等[11]研究了一阶及二阶纹理特征对9例头颈癌及14例宫颈癌患者的预后预测价值, 发现纹理特征能够反映肿瘤内的微环境特点, 并与治疗抵抗有一定的相关性。
Tixier等[10]回顾性研究了41例联合放化疗的食管癌患者, 使用贝叶斯算法自动勾画肿瘤范围, 并且只研究肿瘤原发灶, 由同一肿块计算得到SUVmax、SUVpeak、SUVmean) 及38项纹理参数。抽检特性曲线分析发现纹理分析较SUV参数对区分放化疗疗效具有更好的灵敏度。由共生矩阵得到的纹理特征能够很好地区分无效及部分有效, 因此可以在治疗前对患者进行分类。
Vaidya等[12]分析了27例非小细胞肺癌局部治疗失败患者治疗前的18F-FDG PET/CT图像, 提取了32项基于SUV或CT值的肿瘤局部特征, 包括强度-体积直方图及纹理特征参数, 发现强度-体积直方图的变化与局部复发密切相关, 并且PET与CT的多模态纹理特征对非小细胞肺癌的放疗后复发具有一定的预测价值。
3.3 18F-FDG PET图像的组织学基础
尽管有许多结构及功能图像的纹理特征与癌症的鉴别诊断、疗效预测及生存期相关, 但对于肿瘤的生物学基础与纹理特征之间的关系尚不清楚。
Henriksson等[5]采用头颈鳞状细胞癌异种移植的裸鼠模型研究18F-FDG摄取与肿瘤内异质性的关系, 发现局部存在50%以上肿瘤细胞组织的18F-FDG摄取明显高于存在更多间质及坏死的组织, 表明肿瘤内18F-FDG摄取的不同与组织病理相关, 并且PET图像上示踪剂摄取的变化是由肿瘤内不同组织成分的分布性差异所决定的。
另外一种假说认为, 图像内异质性的增加与肿瘤局部的细胞构成、增殖、无氧、血管生成及坏死有关[10,20], 是具有更强侵袭性及较差治疗反应与预后的独立因素。然而, 之前描述的多种纹理参数与肿瘤生物学特性及异质性之间的关系只是单纯的相关。例如, CT纹理特征与异质性的增加相关, 包括熵的增加或均一性的减低, 提示较差的治疗反应及生存期[21,22,23];头颈癌肿块及结节与正常组织相比, 具有较低的粗糙度、频度及较高的对比度[8]。纹理特征与组织特点之间的关系复杂, 并且纹理特征的结果不能简单地认为是图像的同质或异质。因此, 需要进一步研究不同显像模式的纹理特征及与PET示踪剂相关的可以影响图像纹理的组织病理学特征, 包括血管生成、缺氧、增殖等。
4 结束语
医学图像与人们现在的认知相比, 包含更多有用的信息, 这些描述及量化体素强度空间分布的额外信息 (纹理特征) 可以很容易地从传统医学影像、18F-FDG或其他示踪剂的PET图像中提取。CT及MRI的纹理特征具有诊断组织特点、预测治疗反应及生存期的能力。功能图像18F-FDG PET的纹理分析具有类似的能力, 但其生物学机制尚不清楚。以后需要进一步研究18F-FDG PET图像纹理的生物学基础, 并在不同类型肿瘤上进行验证, 以及是否其他示踪剂如11C-、18F胆碱、反映肿瘤增殖方面的18F-胸腺嘧啶核苷、血管生成或缺氧标记物等的纹理特征能够得到类似的结果。
纹理分析论文 篇9
1 资料与方法
1.1 研究对象
回顾性纳入2010年12月—2013年12月广东省人民医院(广东省医学科学院)经手术病理确诊为肝脏局灶性结节增生(focal nodular hyperplasia,FNH)的258例患者,其中女97例,男161例;年龄28~68岁,平均(46.50±13.19)岁;FNH 34例,肝细胞癌(hepatocellular carcinoma,HCC)60例,肝内胆管细胞癌(intrahepatic cholangiocarcinoma,ICC)44例,肝转移瘤(metastasis,MET)60例,血管瘤(hemangioma,HEM)60例。纳入标准:①病理证实为FNH、HCC、ICC、MET者;CT影像典型的HEM,并经随访证实者;②同时行常规平扫及三期CT增强扫描者。排除标准:图像存在伪影,影响病灶观察者。
1.2 仪器与方法
采用GE 64排螺旋CT扫描仪(64-slice Light Speed VCT,GE Medical systems,Milwaukee,Wis)。扫描参数:准直器0.625 mm,视野350 mm,管电压120 k V,管电流160 m As,层厚5.0 mm。注射对比剂前先行平扫。增强扫描采用双筒高压注射器于肘静脉注射90~100 ml对比剂(Ultravist 370,Bayer Schering Pharma AG,Berlin,Germany),注射速度3 ml/s。注射对比剂后25~30 s、60~70 s、128~180 s分别行动脉期、门静脉期及延迟期扫描。CT扫描图像以DICOM格式导出。
1.3 纹理分析
采用Ma Zda软件(Version 4.6,下载页面:http://www.eletel.p.lodz.pl/mazda/)进行纹理分析[13]。选取病灶最大层面沿病灶轮廓放置ROI,然后生成ROI内的各个纹理参数值。为了减小不同时相间ROI的放置误差,先于病灶边界最清晰的时相中勾画ROI,随后将ROI复制粘贴于其他时相,错位较大时根据邻近解剖结构进行适当的位置调整。所有ROI由1名有20年腹部CT诊断经验的主治医师放置。在纹理特征生成之前先进行图像灰阶的标准化。生成的基于灰度共生矩阵、灰度直方图、游程矩阵、基于傅里叶变换的纹理特征、自回归模型的各纹理特征见表1[13]。
1.4 研究方法
1.4.1 判别分组
①良性病变间的鉴别(HEM与FNH);②良性病变与恶性病变间的鉴别(HEM+FNH与HCC+MET+ICC);③恶性病变间的鉴别(HCC与MET与ICC);④恶性病变间的两两比较(HCC与ICC;HCC与MET;ICC与MET)。
1.4.2 判别分析
根据Ma Zda软件自带的程序进行判别分析。其中,以互信息系数为标准对特征进行筛选排序。对于每一判别分组,选择排序前10位的纹理特征组成特征子集进行后续判别。基于之前提取的特征子集,以线性判别分析筛选出最优判别特征,使不同类别间差距最大化,同一类别间差距最小化。利用k-邻域(k-NN)分类器计算基于这些最优鉴别特征的错判率(MCR)。根据公式(1)计算MCR。
根据MCR将鉴别能力分为5个等级:MCR≤10%为优秀,10%<MCR≤20%为良好,20%<MCR≤30%为中等,30%<MCR≤40%为一般,MCR>40%为差。
2 结果
2.1 各期CT图像用于纹理分析的MCR
基于CT增强扫描图像的纹理分析得到的MCR较基于CT平扫图像的MCR低,见表2、3。
2.2 各鉴别分组的MCR
无论是基于平扫还是各期CT增强图像,纹理分析用于良性肿瘤间的鉴别及良恶性肿瘤的鉴别较恶性肿瘤间的鉴别MCR低,见表2、3。
2.2.1良性病变间的鉴别
良性病变间(FNH与HEM)基于平扫及CT增强扫描图像的纹理分析鉴别能力均为优秀;动脉期及门静脉期CT图像的纹理分析MCR均为4.26%(4/94),见图1。
注:HCC:肝细胞癌;ICC:肝内胆管细胞癌;MET:肝转移瘤
图1 A、B分别为基于增强扫描动脉期、门静脉期CT图像的纹理分析鉴别肝脏良性实性局灶性病变。1表示FNH,2表示HEM。3种特征为区分2种病变的最优纹理特征。“1”与“2”区分较明显,表明纹理分析鉴别能力均较好
2.2.2 良性与恶性病变的鉴别
对于良性病变与恶性病变间的鉴别(FNH+HEM与ICC+HCC+MET),基于增强扫描图像的纹理分析鉴别能力(MCR为8.91%~12.68%,优秀或良好)亦优于基于平扫图像的鉴别能力(MCR为31.01%,一般)。其中,基于门静脉期图像的纹理分析鉴别能力优秀,MCR为8.91%(图2);而增强扫描动脉期与延迟期鉴别能力良好。
2.2.3 恶性病变间的鉴别
对于恶性病变间基于平扫及增强扫描图像纹理分析的鉴别能力均为一般(MCR为32.93%~39.02%),其中基于动脉期图像的MCR最低。当两两鉴别恶性病变时,图像纹理分析的鉴别能力为良好与中等(MCR为11.67%~29.17%)。基于动脉期图像的纹理分析对于恶性病变间两两鉴别的能力均为良好,其中对于鉴别HCC与MET的MCR最低,为11.67%(图3)。
图2基于增强扫描门静脉期CT图像的纹理分析鉴别肝脏良性与恶性实性局灶性病变。1表示良性病变,2表示恶性病变。3种特征为区分2种病变的最优纹理特征。“1”与“2”区分较明显,表明纹理分析鉴别能力较好
3 讨论
3.1 基于CT增强扫描图像的纹理分析
本研究显示,对于肝脏实性局灶性病变的鉴别,基于增强扫描CT图像的纹理分析较基于平扫图像能提供更大的价值。增强扫描可以提供病灶血供的信息,目前肝脏实性局灶性病变的术前评估多普及多期CT增强扫描[12];类似于传统的主观影像判断,对于肝脏实性局灶性病变的鉴别诊断,纹理分析亦应基于CT增强扫描图像[14,15]。Gletsos等[16]的研究显示,基于平扫CT图像纹理分析建立的计算机辅助诊断系统用于鉴别正常肝脏组织、肝囊肿、HEM、HCC的最低MCR为15.79%;而本研究基于CT增强扫描图像的纹理分析对于良恶性病变及良性病变的鉴别准确度更高(MCR为4.26%、8.91%)。
3.2肝脏良性病变的鉴别及良恶性病变的鉴别
对于良性病变的鉴别,由于FNH和HEM均为相对富血供病变,对于影像学表现不典型者仍存在错判的可能[17,18]。本研究应用基于动脉期或门静脉期CT图像的纹理分析鉴别两者MCR较低(4.26%),提示对于鉴别FNH与HEM,基于CT图像的纹理分析推荐使用动脉期或门静脉期采集的图像。目前,基于CT图像的纹理分析鉴别FNH与HEM的相关研究鲜有报道,而纹理分析鉴别良恶性实性局灶性病变可减免不必要的有创治疗手段[3,17]。本研究鉴别良恶性病变的MCR较低,其中基于门静脉期的纹理分析MCR低至8.91%。因此,对于良恶性实性局灶性肝脏病变的鉴别,纹理分析推荐使用门静脉期的图像。
图3基于增强扫描动脉期CT图像的纹理分析鉴别肝脏恶性实性局灶性病变。1表示ICC,2表示HCC,3表示MET。3个纹理特征为区分2种病变的最优纹理特征。“1”、“2”、“3”区分部分区域尚可,部分区域存在重叠现象,表明纹理分析鉴别能力一般
3.3 肝脏恶性病变的鉴别
由于不同肝脏恶性占位病变的治疗方式不同,因此术前正确鉴别恶性肿瘤的具体类型尤为重要[19]。本研究鉴别恶性肿瘤间的MCR较高,纹理分析鉴别能力为中等。本文使用线性判别分析进行判别,而目前医学图像纹理分析应用于病灶的分类、鉴别手段较多,使用其他判别手段能否提高恶性肿瘤内鉴别的准确度亦是亟待解决的问题[14,20]。若用于恶性病灶间的两两鉴别,本研究发现纹理分析鉴别能力提高,如HCC与MET的鉴别MCR为11.67%。目前鲜见关于纹理分析鉴别HCC与MET的文献,但文献[14]中纹理分析鉴别HCC与ICC的准确度为51.42%~91.02%,而本研究关于HCC与ICC的鉴别在动脉期亦有较高的准确度(82.96%)。
3.4 本研究的局限性
本研究中特征提取是基于单张CT图像进行,理想的情况应该是对CT图像序列进行三维建模,从三维空间分析病灶的纹理特征[21]。因此,未来需进一步应用CT图像序列的三维建模,提取可更全面描述病灶的纹理特征。此外,本研究仅比较基于平扫及三期增强扫描CT图像的纹理分析鉴别能力的差异;而医师识别诊断过程常通过综合考量平扫及增强扫描各期病灶的特点才能得到较完备的诊断结论[4,12,21]。虽然目前鲜见结合平扫及CT增强扫描图像的纹理分析对肝脏实性局灶性病变鉴别能力的研究,但这可能是提高鉴别准确度的途径。
总之,对于肝脏实性局灶性病变的鉴别诊断,基于CT图像的纹理分析可以作为辅助手段,尤其是用于FNH与HEM、良性病灶与恶性病灶、恶性病灶间的两两鉴别。基于三期增强扫描的纹理分析较基于平扫图像者效果更优。对于其中不同病变的鉴别,基于增强扫描各期图像的纹理分析鉴别能力亦有不同。
摘要：目的 CT是鉴别肝脏实性局灶性病灶的常用检查方法,但其对不典型病灶的鉴别诊断仍有较大的经验依赖性,而纹理分析可以提供客观、定量的图像描述特征。本研究旨在探讨基于CT图像的纹理分析在肝脏实性局灶性病变鉴别诊断中的价值。资料与方法 回顾性分析258例经病理证实或临床确诊的肝脏局灶性病变患者的CT图像,其中肝脏局灶性结节增生(FNH)34例,血管瘤(HEM)60例,肝细胞肝癌(HCC)60例,肝内胆管细胞癌(ICC)44例,转移瘤(MET)60例。所有患者均行腹部CT平扫与三期增强扫描。以Ma Zda软件生成CT图像的纹理特征并进行特征筛选,进行各组病灶的判别。结果 258例患者中,基于增强CT图像的纹理分析对于肝脏实性局灶性病变的鉴别诊断错判率(4.26%~37.80%)低于基于平扫图像的纹理分析(9.57%~39.02%)。对于良恶性病变的鉴别,门静脉期图像纹理分析错判率最低(13.57%);对于FNH与HEM的鉴别,动脉期及门静脉期图像纹理分析效果相当(错判率为4.26%);对于恶性肿瘤间的鉴别纹理分析错判率相对较高,若于恶性肿瘤间两两鉴别则错判率可降低(错判率最低为HCC与MET,约11.67%)。结论 基于CT图像的纹理分析可以作为肝脏实性局灶性病灶鉴别诊断的辅助手段,尤其是FNH与HEM、良性病灶与恶性病灶、恶性病灶间的两两鉴别;其中基于三期增强扫描的纹理分析较基于平扫图像者效果更优。