息肉是人体消化道最常见的疾病之一,可导致高危癌前病变。息肉的及时检测和治疗对预防癌变和节省医疗支出具有重要作用。内窥镜是目前用于采集肠道息肉图像的主要手段。但是由于内窥镜产生的图片数量庞大,并且息肉的形态和大小多样,对息肉的识别效果主要取决于医生的经验技能,导致通过人工的方式进行息肉的检测常常会加重医生负担和造成漏诊。因此,息肉自动检测的研究对于缓解临床医师的压力和提高诊断的可靠性具有重要意义。本文的研究内容和贡献主要包含以下三个方面:(1)基于特征编码的肠道息肉识别和基于显著性检测的定位系统设计现有的辅助诊断系统通常是单一的图片分类和病变定位,并且缺乏针对特定场景和疾病的设计,本文提出了针对肠道环境下融合息肉图片识别和息肉区域定位的一体化系统。该系统分为两大部分。第一部分:首先利用特征及特征编码算法将内窥镜图像的主要信息提取出来,然后通过池化方法对编码后的特征进行汇聚,最后输入到分类器中,从而实现息肉图片和正常图片的二分类任务。第二部分:在判别到的息肉图片中,利用基于显著性的目标识别算法,生成对应的显著性图,根据显著图中各个区块的显著值大小,进一步检测息肉生长区域,辅助医生诊断。该系统能够完成在大量的肠道内窥镜图片中进行息肉图片的分类和息肉区域定位的任务。(2)基于特征编码的息肉图片分类方法目前主流的特征编码方法主要集中在目标函数上,而忽略了初始码本中各个基向量之间的内在关系。由于最终输入到分类器中的特征编码是由码本决定的,因此码本的设计是值得进一步研究的。此外,很少有研究考虑到肠道管状结构对息肉图片分类的影响。因此,本文提出了一种基于环形空间金字塔匹配(Annular Spatial Pyramid Matching,ASPM)的显性码本局部约束线性编码(Salient Codebook Locality-Constrained Linear Coding,SCLLC)的息肉图片自动识别方法。首先,从包含正常图像和息肉图像的样本中提取详细的纹理特征,并对特征采用K-means聚类方法得到初始码本。其次,利用所提出的SCLLC算法将初始码本转换为显性码本,并利用该码本对特征进行编码。再次,为了提高肠道图像处理的效率,提出了一种基于空间金字塔匹配的环形区域分割最大池化策略,对计算得到的特征编码进行池化。最后,运用支持向量机(Support Vector Machine,SVM)分类器来执行息肉图像的分类任务。实验结果表明,该算法在肠道息肉图像分类方面取得了94.10%的准确率、91.20%的敏感性97.01%的特异性,优于现有的基于特征编码的主流方法。(3)基于显著性的息肉区域识别方法现有的显著性检测算法通常采用四周边缘作为背景先验,采用图片中心作为目标中心先验,常常无法正确识别肠道图片的背景区域,并且无法处理多个目标位置。因此,本文提出一种基于肠道中心及轮廓背景先验的显著性息肉检测算法。首先提出基于暗区的肠道中心以及基于边缘的肠道轮廓检测方法,并以此作为背景先验,然后运用平均测地距离来度量图片不同区域的相似性,进而对背景区域进行拓展,最后提出一种多连通区域的高斯中心先验模型,对显著图进行优化得到最终的检测结果。实验结果表明,在最终的显著图对比中,相较与主流的显著性检测算法,本文算法能够更好地检测到肠道的背景区域,并能够有效地凸显多个显著性息肉目标。