方向局部三值量化极值模式：生物医学图像检索新方法

工程科学与技术，国际期刊19（2016）1895完整文章方向局部三值量化极值模式：一种新的生物医学图像索引和检索G. 迪普阿湖Kaurb，S.古普塔ca印度Ropar旁遮普技术大学IET Bhaddal CSE系b旁遮普大学环境工程系（教授），帕蒂亚拉c印度昌迪加尔理工大学CSE系阿提奇莱因福奥文章历史记录：2016年2月1日收到2016年5月12日修订2016年5月12日接受2016年6月22日在线发布保留字：医学影像图像检索局部二进制模式（LBP）局部三进制模式（LTP）方向量化极值模式纹理A B S T R A C T本文提出了一种新的模式描述符称为定向局部三进制量化极值模式（DLTerQEP）的生物医学图像索引和检索。标准局部二进制模式（LBP）和局部三进制模式（LTP）编码图像的二维（2D）局部区域中的中心像素与其周围邻居之间的灰度关系，而所提出的方法编码局部区域中沿给定方向的任何一对邻居之间的空间关系（即，0°、45°、90°和135°）。该方法的新颖之处在于它使用了图像的方向局部极值的水平-垂直-对角-反对角（HVDA 7）结构的三进制模式来编码更多的空间结构信息，从而导致更好的检索。DLTerQEP还通过允许更大的局部模式邻域来显著增加辨别能力。实验已经进行了三种不同类型的基准生物医学数据库上证明所提出的算法的价值;（i）计算机断层扫描（CT）扫描的肺部图像数据库命名为LIDC-IDRI-CT和VIA/I-ELCAP-CT，（ii）脑磁共振成像（MRI）数据库命名为OASIS-MRI。实验结果表明，该方法在平均检索精度（ARP）和平均检索率（ARR）方面优于LBP、LTP和LQEP等特征提取方法。©2016 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍1.1. 动机当今的医疗保健服务严重依赖于各种生物医学成像数据，这些数据在数量上呈指数级增长- 由于医学图像是由不同的小结构组成的，因此，研究者们对如何在庞大的生物医学图像数据库上进行有效的访问、搜索和检索产生了浓厚的兴趣为了解决医学图像中存在的问题，提出了基于内容的图像检索（CBIR）方法*通讯作者。电子邮件地址：gaganpec@yahoo.com（G.深），mahal2k8@gmail.com（L.Kaur）。由Karabuk大学负责进行同行审查被传播以开发基于内容的医学图像检索（CBMIR）。关于CBIR系统的一些全面和广泛的文献调查在Antani等人[2]，Jing和Allinson[21]Yue et al. [69]第二章。基于内容的图像检索利用了内容的颜色、纹理、形状、空间布局等视觉特征 以表示和索引生物医学图像数据库，用于高效检索。这些特征被排列为多维特征向量并存储在特征数据库中。CBIR的主要步骤是特征提取，其有效性取决于从给定图像中提取特征的方法。特征描述子的选择直接影响图像检索的性能。目前，基于纹理的特征作为一种强有力的视觉识别特征发挥着重要的作用。它们被广泛用于图像处理应用中，以识别视觉模式。Har alick等人[16]、Tamura等人[57]和Haralick[15]提出了一些纹理特征提取方法。WLD和BGP纹理描述符分别由Chen等人[5]和Zhang等人[72]提出。Siqueira等人。[54]提出了将GLCM纹理描述符扩展到基准纹理数据集的多个尺度。Verma等人。[61]提出了局部极值同现http://dx.doi.org/10.1016/j.jestch.2016.05.0062215-0986/©2016 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestcht=2;[14，小行星1896Deep等人/工程科学与技术，国际期刊19（2016）1895模式（LECoP），其中GLCM用于找到映射像素的同现。Parida和Bhoi[50]使用纹理特征从灰度图像中提取对象对于基于纹理检索的方向特征，Do和Vetterli[6]提出了离散小波变换（DWT），它提取三个方向（水平、垂直和对角线）的特征。科卡雷等人[27]已经通过在各个方向上收集各种图像特征来使用旋转小波滤波器进行图像检索Kokare等人[25]、Kokare等人[26]和Kokare等人[27]主张合并DT-CWF、DT-RCWF以及旋转不变DT-RCWF，以具有DWT中不存在的一些 其他 方向 特 征。 Hussain 和 Triggs [18] 提 出了 局部 量 化模 式（LQP），其收集像素的水平、垂直、对角和反对角条中的方向几何特征;水平-垂直、对角-反对角和水平-垂直-对角-反对角的组合;以及用于视觉识别的传统圆形和盘形区域。大多数生物医学图像都是以灰度级表示的，具有广泛的纹理特征.因此，在临床检查中，器官/组织/病变在图像中的出现是由于各种纹理特征上的强度变化此后，由于获取的纹理信息的重要性，纹理信息成为生物医学图像检索中的一个热点吉布斯和特恩布尔[11]Fig. 1. 不同（P，R）的循环邻域集。图像的模式（3×3）良性病变与恶性病变用于乳房成像上的许多纹理特征Felipe等人[10]致力于使用共生矩阵检索各种组织中的医学CT和MRI图像。Traina等人[59]提出了使用小波变换的医学图像检索系统。Jhanwara等人[20]提出了基于内容的图像检索系统，该系统使用主题共生矩阵（MCM）来描述纹理属性。Hajek等人[14]已将纹理分析的概念用于磁共振成像，并可能在该模式中进行临床应用。Scott和Shyu[53]已将熵平衡统计（EBS）k-d树的概念用于生物医学媒体检索系统的高分辨率计算机断层扫描（HRCT）肺部图像。Liu等人[31]使用多尺度复杂性和多尺度分形维 数 技 术 描 述 了 用 于 医 学 图 像 检 索 的 纹 理 信 息 。 Kassner 和Thornhill[23]已经证明纹理分析是神经MR成像（脑肿瘤数据集）的有价值工具。Ramamurthy等人[51]使用融合方法从大规模牙科图像中探索了强度、纹理特征。Nanni等人。[42]通过基于高斯滤波将GLCM扩展到多尺度，并通过提取在生物医学图像分类问题上测试的特征，而不仅仅是从整个图像中提取特征，LTP编码-11-1-111-1110110010842161326412890图二. 计算LBP和LTP算子。LBP编码共生矩阵，但也从子窗口。Yadav等[67个]提出了一种基于压缩采样的医学图像纹理特征提取方法。Vaidehi和Subashini[60]提出了用于基于内容的乳房X线照片检索的纹理特征Irmak等人。[19]已经使用医学图像处理对脑肿瘤图像进行了研究。然而，从共生矩阵[10]，MCM[20]，多尺度分形维数[31]，多尺度纹理描述符[42]，压缩采样[67]等计算的纹理特征的计算复杂度，更贵。为了解决这个问题，Ojala等人提出了局部二进制模式（LBP）[46]。LBP具有低计算复杂度和编码分钟规格的能力，Ojala等人。[47]主张在纹理分类的LBP中进行更多的调节。Takala等人。[56]提出了使用LBP纹理特征进行图像检索的基于块的纹理特征。Heikkila等人。[17]使用LBP特征和尺度不变特征变换（SIFT）的组合来引入纹理模式方法，即，中心对称局部二值模式（CS-LBP）。LBP由Nanni等人[43]和Nanni等人[44]使用五个离散水平编码。Guo等[12]和Liu等人[30]提出了本地配置模式（LCP）和二进制旋转不变和噪声容忍（BRINT）纹理描述子分 别 使 用 LBP 。 Vipparthi 和 Nagar[65] 、 Vipparthi 和 Nagar[66] 、Vipparthi等人[64]以及Bala和Kaur[3]提出了用于纹理图像检索应用的一些其他LBP变体。在医学领域，Oliver等人[48]将LBP描述符用于乳房X线照片图像。Keramidas等人[24]给出了甲状腺超声图像的纹理表示。在（2008 b，2008 c）中，Nanni和Lumini[40，41]使用LBP自动化细 胞表型图 像分类。 在人脸分 类领域， Nanni和Lumini[38] ，Ahonen等人[1]和Chen等人[4]对LBP进行了广泛的研究。Guo等人[13]提出了用于纹理分类的旋转不变LBP方差算子。Nanni和Lumini[39]和Zenghai等人的一些重要论文。[70]还成功地在其他有用的应用中试验了LBP关于LBP的更多信息可以在http://www.ee.oulu.fi/mvg/page/lbp_bibliography#biomedical上探索。在文献中，Murala等人[35]、Murala等人[36]、Murala等人[37]、Murala和Jonathan[33]、Murala和Jonathan[34]、Dubey等人[7]、Dubey等人[8]、Dubey等人[9]和Vipparthi等人[63]已经提出了LBP的许多扩展版本，以获得用于生物医学图像索引的新图像特征正如我们所知1318691621713370100110184216132641281650100110184216132641281657×7模式H7DAHV71615 14V7191817GC1112 132021227LQP几何结构31 35 36 19 37 38 2539 30 40 18 41 24 41LQEP计算31HVDA73019182524342833273226GC2329243025317×7图案图像LDEV（所有方向）选定的几何结构-HVDA7 90o方向的135o方向极值-1-1-161042极值45o方向值7-1354方向3120LTP编码DTEC二进制编码-1（12阈值DTEC二进制编码-2（12权重权重0o极值43 44 29 17 23 45 46ped529 17 2316 15 14 GC 11 12 13沙16 15 14 GC 11 12 1347 48 26 20 32 49 50风险，风26 20 3251 27 52 21 53 33 54D27213328 55 56 22 57 58 3428223416 15 14 GC 11 12 1310001350370112601070430101111561022130gc=1011001061662150800051224016360133121-1124-136-11025-196-142-10-101014592112-1gc=0-110-1-195155114-17-1-1-141213-11535-1132 120124816326412825651210242048124816326412825651210242048G. Deep等人 /工程科学与技术，国际期刊19（2016）1895-19091897图3.第三章。 使用HVDA 7几何结构对给定的7 × 7图像模式进行LQEP特征计算的示例。010142112-1gc=0-110-1极值5155值0oLTP上限和下限DLTerQEP值图四、获取图像的7× 7图案的DLTerQEP计算的示例16 15 14 GC 11 12 1331 35 36 19 37 38 2539 30 40 18 41 24 4143 44 29 17 23 45 4616 15 14 GC 11 12 1347 48 26 20 32 49 5051 27 52 21 53 33 5428 55 56 22 57 58 34191817GC2021220010110000110101001110000000000000000000000000004580000000000000000000000000000000000000000000000003124000000000000000000000000×小行星1898Deep等人 /工程科学与技术，国际期刊19（2016）1895-1909样本图像LBP特征图LQEP特征图DLTerQEP -上部LTP特征图DLTerQEP - lowerLTP feature map图五. 所提出的方法在参考面上的响应。LBP提供了一阶方向导数模式，但Zhang等人[71]将LBP作为非方向一阶局部模式进行了研究，并提出了用于人脸识别的局部导数模式（LDP）。文献综述中的LBP和LDP都不能适当地发现由于强度变化而导致的自然图像中特定对象的外观区别。为了解决这个问题，Tan和Triggs[58]引入了局部三元模式（LTP）用于纹理分类。与LBP相比，LTP具有小的像素值变化。LBP、LDP和LTP基于仅使用两个方向（正方向或负方向）编码的边缘的分布来捕获特征信息。Paci等人。[49]在他们的研究中还提出，在生物数据集上使用非二进制编码比二进制编码更具鉴别力。在更多的研究中，Rao和Rao[52]提出了用于自然和纹理图像检索的局部量化极值模式（LQEP），其对图像中给定中心像素的给定方向上的局部区域中的任何一对邻居之间的空间关系进行编码。为了识别图像，LBP特征是从LQEP中的方向量化纹理模式计算的。标准LBP方法提供了参考像素与其周边相邻像素之间的连接。与LBP相比，LQEP方法提供了图像中给定参考像素的局部区域中任何一对相邻像素之间的连接。Kokare et al.[25]，Kokare et al.[26]，Kokare等人。[27]和Hussain和Triggs[18]认为方向特征在图像检索的各种应用中非常重要。但是，大多数关于LBP特征及其改进版本的文献都给出了非方向性特征。在回顾了上述研究论文之后，本文基于局部二维模式：LBP，LTP和LQEP，提出了DLTerQEP，生物医学图像索引和检索。的主要新奇之处diagonal–antidiagonal ( (c)它还通过允许更大的局部模式邻域来显著增加辨别能力。通过对三种不同类型的机器人进行实验，验证了该方法的性能基准生物医学数据库。论文的结构如下：第一部分，简要回顾了医学图像检索的发展现状和相关工作。局部模式和所提出的方法的简要描述可以在第2节中进一步可视化。第三部分提出了系统框架和评价方法的概念.实验结果和讨论在第4节中给出。最后，在第5节中给出了结论和未来展望。2. 审查当地模式2.1. 局部二进制模式公式化LBP首先由Ojala等人引入。[47]用于旋转不变纹理分类。LBP是一种非常有效的纹理描述子，具有很好的鉴别能力和计算简单性.给定大小为n-m像素的灰度图像I，并且I（g）表示图像I中第g个像素的灰度级。LBP算子在每个像素处通过评估中心像素的值gc周围的小圆形邻域（具有半径R）中的值的二进制差来计算。在数学上，给出当前像素的LBPP-1p。 1; if xP 0;所提出的方法（DLTerQEP）如下：（a）Tan和Triggs[58]已经证明LBP对照明敏感LBPP;R¼p¼0f1gp-gc2;f1x¼0;否则;ð1Þ为了解决这个问题，LTP的概念 采用了（b）第（1）款它收集三元模式从其中，gc：中心像素的灰度值;gp：CIR的灰度值典型对称邻域G_p （p = 0，. . ，P-1）;P：图像像素XG. Deep等人 /工程科学与技术，国际期刊19（2016）1895-19091899样本图像7×7图案图像3×3图案图像LDEV可能方向LBP（8，1）HVDA7几何形状极值（0°、45°、90°和135°方向）LBP模式上下LTP模式LTP直方图特征向量DTEC LTP模式DTEC LTP编码模式-1DLTerQEP模式上LTP的DLTerQEP模式上下LTP直方图特征向量DTEC LTP编码模式-2DLTerQEP模式用于较低LTP图六、DLTerQEP的特征提取过程在半径为R（R> 0）的圆中; 2p对每个符号f1的（gp-gc）。在找到图像中每个像素的LBP码之后，生成直方图来表示纹理图像。图1示出了针对（P，R）的不同配置的圆形邻居集合2.2. 局部三进制模式Tan和Triggs[58]提出了一种新的纹理算子，称为局部三元模式（LTP），它是LBP的扩展。他们将相邻像素值编码为3值代码（等式2）。（二）图像数据库QLTerQEP纹理特征计算图像局部模式邻域所有可能方向在不同阈值下的四个方向的三元极值编码（DTEC），然后分析DLTerQEP模式查询图像检索相似性度量通过连接所有直方图的特征向量LTP下限上&S直方图0o方向的LDEV值45o方向的LDEV值90o方向的LDEV值135o方向的LDEV值HVDA7几何结构中的定向LDEV见图7。 建议的检索系统框架的流程图。0.90.80.70.60.50.40.30.20.10ARR（%）1900G Deep等人/工程科学与技术，国际期刊19（2016）1895表1LIDC-IDRI-CT图像数据库的数据采集详情号案件数据切片数量图像数量决议切片厚度（mm）管电压（mA）管电流（mA）1LIDC-IDRI-00022040512 ×5121.3毫米1204402LIDC-IDRI-000310 40 512× 512 2.5mm 1203LIDC-IDRI-000620 80 512× 512 1.3mm 1203004404LIDC-IDRI-000721 84 512× 512 1.3mm 1204405LIDC-IDRI-001015 60 512× 512 1.3mm 1204016LIDC-IDRI-001127 108 512× 512 2.5mm 1202657LIDC-IDRI-001220 80 512× 512 2.5mm 1203008LIDC-IDRI-001318 72 512× 512 2.5mm 1203209LIDC-IDRI-001407 28 512× 512 2.5mm 12030010LIDC-IDRI-001519 76 512× 512 1.3mm 12036111LIDC-IDRI-001626 104 512× 512 2.5mm 12026512LIDC-IDRI-001726 104 512× 512 2.5mm 120265下载网址：https://cabig.nci.nih.gov/tools/NCIA[22].见图8。 LIDC-IDRI-CT图像数据库中的样本结节图像。（一）（b）第（1）款图9.第九条。通过传递不同的查询图像（1-10），在LIDC-IDRI-CT数据库上对所提出的方法（DLTerQEP）进行性能比较>。XX8><。ð Þ ¼ ð Þ×××XW：-1x6gc-t-.x¼g！f2LDEVg3 3 ×LDEVg5 5;Igc;！f2LDEVg2 2 ×LDEVg66;Igc;！f2LDEVg11×LDEVg77;Igc;/¼135DTEC1IgDTEC1I gj0;DTEC1Igj45;DTEC1Igj90;DTEC1I gj135;8◦◦◦;=2c;你好。/！G. Deep等人 /工程科学与技术，国际期刊19（2016）1895-19091901而不是LBP的2值码。的k1k1LTP的数学值可以表示如下：þ1xPgct~fx;gc;t=0jx-gcjtð2ÞLDEVq;r½Iq;r-I1floork1=2;1floork1=2]q1 r1其中输入图像的大小为k1× k1。ð4Þp四个方向，HVDA7几何结构的可能的direc- tionalLQP几何形状用于特征提取。定向由方程式（2），由于阈值化步骤（t），构造并编码上模式和下模式。其结果是，LTP8，2将出现在3，8 = 6561个区间的直方图中，这是一个非常大的维度，并且被分成正LBP代码和负代码，如Tan和Triggs[58]所提出的。二进制LBP代码被三进制LTP代码替换（在阈值，t = 2）如图所示。 二、0°、45°、90°和135°方向上的局部极值以HVDA7的形状从如由等式（1）计算的LDEV（4）.然后，使用等式（1）中给出的LTP的概念，在不同阈值处基于四个方向（0°、45°、90°和135°）收集四个方向三进制极值编码（DTEC）（二）、如下获得三进制编码模式八个！f2LDEVg4 5 ×LDEVg4 3;Igc;！f2LDEVg4 6 ×LDEVg4 2;Igc;！f2LDEVg47 ×LDEVg41;Igc;/¼0DTEC1000！：f2个LDEV35×LDEV我不知道！F2016年2月26日×LDEV我不知道！F2017年2月17日×LDEV1/1/1/2902.3. 局部量化极值模式Rao和Rao[52]使用了局部量化模式（LQP）[18]和方向局部极值模式（DLEP）[36]在自然图像数据集上设计LQEP的LQP收集的定向几何特征其中LDEV gabLDEV at a;b 位置77gridGC表示中心像素的灰度值。对于上LTP，DTEC 1由等式2计算（5）通过获取值！F2如下：从给定的图像模式中。然后，极值运算！f×g ×g。1;ifxP阈值<$2;ð6Þ在定向几何结构上执行。图3示出了使用图1的HVDA7的LQEP特征计算的示例。2;c0;ifrx阈值为0;<对于给定的图像的7× 7图案，可能的方向LQP在本文中，对于图像I中的给定中心像素（gc），同样，从上面的Eq。（5），较低的LTP，DTEC 2通过获得的值来计算！F2如下：使用图3收集HVDA7几何结构用于特征提取。LQEP定义如下：LQEP¼½DEIgcj0;DEIgcj45;DEIgcj90;DEIgcj135]3！Fx;g 1;i fx6阈值1/4-2阈值;0;如果x>阈值，则为0;DTEC由等式定义（5）ð7ÞDTEC2Igcj0;DTEC2Igcj45;DTEC2Igcj90;DTEC2Igcj135关于LQEP的更多细节可参见Rao和Rao的论文[52]。2.4. 定向局部三进制量化极值模式局部模式（LBP，LTP和LQEP）的思想已被采用，以定义定向局部三进制量化极值模式（DLTerQEP）。DLTerQEP使用局部极值和方向几何结构描述三元模式中的局部纹理的空间结构在针对给定图像的所提出的DLTerQEP中，通过使用以下索引模式来计算中心像素与其相邻像素之间的局部差异，从而获得所有方向上的局部极值如上所述，DTEC编码被转换成与LTP中的二进制码相同的两个二进制码（上LTP码和下LTP码）。因此，在实践中，DLTerQEP允许P= 12位（w = 0. . 11）LTP的每个二进制模式中的二进制编码串生成（来自每个给定方向极值的3位）。现在，通过将二项式权重乘以每个DTEC LTP编码，用于表征局部图案的空间结构的特定给定图案（7× 7）的唯一DLTerQEP值（十进制值）由等式（1）定义（九）、P-1DLTerQEPaP 1/4DTEC上、下、带2毫米9毫米像素位置。这些位置的索引方式是将四个方向极值算子计算。图像（I）的局部模式邻域的局部方向极值（LDEV）计算如下：对于整个图像，来自上面的每个DTEC LTP（上部和下部）图具有范围从0到4095（0到2P1）的值，因此完整的DTEC LTP图被构建为具有范围从0到2P 1的值。◦w¼0C-XX.XX2DLTerQEP×JJ..：联系我们1902年G。Deep等人/工程科学与技术，国际期刊19（2016）18958191（0至（（2（2P））1）。完整的图像通过使用以下等式构造直方图来表示。（10）和（11）在检测到局部模式之后，PTN（LBP或LTP或DTEC或DLTerQEP）。表3在LIDC-IDRI-CT数据库的ARR方面，（DLTerQEP）与其他现有方法的性能比较。LBPu2LBPriu2BGPWLDLQPLQEPPM-DLTerQEPk1k11DLTerQEPvq1 r1ARR0.57170.6582 0.70000.70890.76540.76830.8033PM：拟定方法，即，DLTerQEP。v2½0;4095];ð10Þ粗体值显示建议的描述符的最佳性能值，f3x;y¼1;ifn=1;0;ifxk1k1桌子1. 加载查询图像（或灰度图像）。2. 计算所有可能的局部方向极值（LDEV）2DLTerQEPvq1 r1ð11Þ方向3. 收集0°、45°、90°和135°方向的方向极值，v2½0;4095];Eq.的其他参数规格（11）与Eq中的相同。（10），在HVDA7几何结构中，对于给定的中心像素，4. 计算四个方向三进制极值编码（DTEC）（用于上LTP和下LTP）（DTEC编码的LTP的每个部分中的12位二进制串）。HDLTerQEP双极晶 体 管半H1H.D.L.T. QEPv5. 计算LTP上限和下限的DLTerQEP十进制值。6. 绘制每个12位DLTerQEP的直方图。如我们所知，LTP受特征尺寸的大尺寸（从2P到3P）的影响，如等式（1）所示。（2）（采用三值三进制编码）。在本文中，使用用户阈值，已经研究了Tan和Triggs[58]通过将三进制模式转换为两个二进制模式（上LTP和下LTP）来解决上述问题（参见Eqs. （6）和（8））。Liao[29]和Yef-fet和Wolf[68]中也报道，由于LTP分解为上LBP和下LBP，因此原始LTP算子较差。本文考虑了在合理的特征尺寸下的最佳性能。在图1中示出了对图像的给定7 × 7图案的用红色标记的中心像素（灰度值“1”）的DLTerQEP计算的示例。 四、所提出的DLTerQEP与熟悉的方法LBP不同。DLTerQEP提取沿给定方向的局部区域中的任何相邻像素对之间的空间关系，而LBP提取中心像素与其相邻像素之间的关系。DLTerQEP基于局部极值提取方向边缘信息，这与现有的LBP不同。因此，与LBP相比，DLTerQEP捕获更多的空间信息。DLTerQEP还通过允许更大的局部模式邻域来显著增加辨别能力。图5示出了通过对参考面部图像应用LBP、LTP、LQEP和DLTerQEP而选择人脸图像是因为它提供了明显比较的结果，这就很难区分这些方法的有效性是7. 通过连接所有直方图来构造特征向量8. 使用等式将查询图像与数据库中的图像进行比较。（十三）、9. 根据最佳匹配对图像进行重新排序3.2. 拟议的系统框架图图6和图7分别示出了所提出的检索系统框架的特征提取过程和DLTerQEP流程图。3.3. 相似性度量查询图像Q的特征向量表示 是f Q 1; f Q 2;. . ; f QLg是在特征提取之后获得的。类似 地，所有医学图像的数据集jDBj用特征向量fDBj1; fDBj2;. ; fDBjLg; j; 1; 2;. ; jDBj. 然而，这里的唯一目的是通过测量查询图像与数据集DB中的图像之间的距离来获得n个最佳匹配图像：最后，显示与查询图像相似的n个最佳图像在本文中，d1距离度量被用作相似性距离度量，并且这如下所示：XLg . fDB -fQ;i.纪监测到，（上下）D. D. D..ð13ÞDLTerQEP与LBP、LTP和LQEP的纹理特征图相比，LTP算子能够捕获更多的方向边缘3. 特征提取和提出的方法框架3.1. 特征提取图6示出了根据本发明的一个实施例的特征提取的过程。DLTerQEP和用于其的逐步算法如下所示i/1/1/2/2/3/2/2/3/2/3/3/2/3/2/3/3/2/3/2/3/3/2/3/3/4/3/2/3/3/4/3/3/4/3/4/3/3/4/3/4/4/5/3/5/5/4/5/4/5/5/6/5/5/6/5/7/5/5/6/7/5/5/7/5/7/5/5/6/7/5/7/7/其中f DBji 是数据库jDBj中第j个图像的第i个特征。3.4. 评价措施（采用[Murala和Jonathan[33]]）所提 出的方 法的性 能测量 精度， 平均精 度或平 均检索 精度（ARP），召回率，平均召回率和平均检索率（ARR）。对于查询图像Iq，精确度（P）和召回率（R）定义如下：算法输入：查询图像;输出：检索结果精度P I检索到的相关图像数量检索到的图像总数ð14Þ表2DLTerQEP在LIDC-IDRI-CT图像数据库上采用不同阈值进行三值计算的ARR性能方法阈值（t）12345678910DLTerQEP.7989.8031.8033.8021.8003.7997.7994.7973.7971.7909粗体值显示表中建议的描述符的最佳性能值HHX1XjiG. Deep等人 /工程科学与技术，国际期刊19（2016）1895-19091903DBjARP¼Pijð15Þ表4VIA/I-ELCAP-CT肺部图像数据库的数据采集详情DBj 1/1n610数据切片数决议面 内决议切片厚度（mm）管电压（mA）回忆：RIq检索到的相关图像数量W1-10100512 × 512 0.76 × 0.761.25 120¼数据库中的相关图像总数为1600张DBj下载网址：http://www.via.cornell.edu/-databases/lungdb.html。GLCM1：灰度共生矩阵类型1（自相关）ARR1R IjDB ji¼13.5. 缩写结果分析中使用的缩略语为：ð17Þ如Sørensen et al.[55]第50段。GLCM2：灰度共生矩阵类型2（相关性），也在Sørensen等人中定义。[55]第50段。BGP：如Zhang et al.[72]. WLD：Chen等人[5]中定义的韦伯定律描述符。LQP：Nanni等人定义的局部五进制模式[43].CS_LBP：如在LBP：Ojala et al.[46]和Ojala et al.[47].LBPu2_P_R：LBP 与均匀模式在（P= 8，16，24，和R= 1，2，3）邻域大小。LBPriu2：LBP旋转不变均匀模式。INTH：Sørensen等人定义的强度直方图[55]第50段。Heikkila等人[17]第10段。BLK_LBP：如Takala等人[56]中定义的基于块的LBP。DBWP：方向二进制小波模式，定义在Murala等人。[35]第35段。DLEP：Murala等人定义的方向局部极值模式。[36].见图10。 通过传递三个查询图像，在LIDC-IDRI-CT数据库上查询DLTerQEP的结果。nP101904年G。Deep等人/工程科学与技术，国际期刊19（2016）1895见图11。 来自VIA/I-ELCAP-CT图像数据库的样本图像。LDP：Zhang等人[71]中定义的局部导数模式。 LTP：Tan和Triggs[58]中定义的局部三元模式。LTCoP：Murala和Jonathan[33]中定义的局部三元同现模式。LMeP：Murala和Jonathan定义的局部混乱模式[34]。LMePu2：具有均匀图案的LMePLQEP：Rao和Rao[52]中定义的局部量化极值模式。DLTerQEP：定向局部三进制量化极值模式(PM – proposed（一）图12个。DLTerQEP与其他现有方法的比较：（a）ARP和（b）VIA/IELCAP-CT数据库上的ARR8984797469645954494439342924INTHGLCM2 LTPLDPLMePu2PM-DLTerQEPGLCM1LBPu2LTCoPLMePLQEP10 20 30 40 50 60 70 80 90100考虑的顶级匹配数5954494439342924191494INTHGLCM2 LTPLDPLMePu2PM-DLTerQEPGLCM1LBPu2LTCoPLMePLQEP10 20 30 40 50 60 70 80 90100考虑的顶级匹配数ARR（%）ARP（%）G. Deep等人 /工程科学与技术，国际期刊19（2016）1895-19091905表5DLTerQEP在VIA/I-ELCAP-CT数据库上三值计算的不同阈值召回方面的性能。方法阈值（t）12345678910DLTerQEP53.3654.0754.1054.1354.0353.9753.8953.7653.6853.51粗体值显示表中建议的描述符的最佳性能值表6在VIA/I-ELCAP-CT数据库的召回值方面，所提出的方法和其他现有方法的分组性能方法INTHGLCM1GLCM2LBPu2LTPLTCoP自民党LMePLMePu2LQEPPM-DLTerQEP组132.233.2323.1532.4436.0538.437.7337.4337.1838.2341.41225.6328.2725.8440.534.8736.0337.1435.4534.734.7836.12317.7916.5723.0838.6739.1138.9945.5928.930.538.7644.33424.4326.3852.0566.9559.9470.0161.4972.9773.0765.7972.58520.7919.6520.5536.1732.1139.6732.6437.9336.5540.2941.82629.6834.1938.4754.2448.0953.2246.6152.950.6354.1551.77725.327.5622.7848.4936.5449.4538.453.2748.5752.0851.00851.0652.940.9381.1878.2484.2377.1195.5685.5788.7990.29919.5715.4226.4147.8443.1146.0944.2442.9642.0443.1144.631047.5742.140.5772.6767.1968.5768.5569.5872.0368.0867.39总29.429.6331.3851.91547.5352.4748.9552.751.0852.4154.13粗体值显示表中建议的描述符的最佳性能值（一）（b）第（1）款图13岁DLTerQEP和其他现有方法在以下方面的分类性能：（a）精确度和（b）VIA/I-ELCAP-CT数据库的召回率INTHLTP100LMePu29590858075706560555045403530251GLCM1LTCoPLQEPGLCM2LDPPM-DLTerQEPLBPu2LMeP234Cat5埃戈尔河2006年78910100INTHLTPLMePu2GLCM1LTCoPLQEPGLCM2LDPPM-DLTerQEPLBPu2LMeP9590858075706560555045403530252015101234类别编号5678910精密度（%）召回率（%）×小行星1906Deep等人/工程科学与技术，国际期刊19（2016）1895表7MRI数据采集详情（摘自[Marcus et al.[32]]）。序列MP-10TR（msec）9.7TE（msec）4.0翻转角度（°）10TI（ms）20TD（ms）200取向矢状厚度，间隙（mm）1.25，0分辨率（像素）176 × 208下载网址：www.ncbi.nlm.nih.gov/pubmed/17714011.4. 实验结果和讨论通过在三个不同的医学数据库上进行实验，分析了该算法在生物医