胶囊内窥镜技术是微电子技术、图像处理技术、无线通信技术等与生物医学相结合的一项高科技成果,该成果的出现是消化学科发展史上的一个重要里程碑,现已成为消化道疾病诊断的一个重要检查手段。然而胶囊内镜的数字图像量巨大,仅按每秒拍摄两张照片计算,6-8小时的检查过程产生的图片量达43200-57600张,其中大部分图片都是正常图片和重复图片,病变图片只占少部分,而现硬件技术的发展,拍摄帧率已经可达8帧／秒的速度,图片数量是以数十万计算,重点是所有这些图片全凭医生逐张仔细判读以作出正确的诊断,其阅片工作量巨大,需花费大量时间,极易疲劳而漏掉有价值的诊断信息,诊断效率极其低下,难以普及。因此,胶囊内镜图像的人工判读已成为制约其发展的瓶颈。如若能从病人的海量图片中自动识别出病变图片供医师重点判断,无疑会有效减少医生的判读时间,辅助临床医生快速筛查出病变图片。为此,图像分析和检索技术被应用到医学领域。由于胶囊内窥图像的特殊性,如何将图像检索技术与内窥图像有机地结合,为医生提供便捷准确的检索图像手段,成为科研人员待解决的问题。结合当前内镜彩色图像特点,我们提出将基于内容的图像检索(CBIR)技术运用到胶囊内镜病变图片的识别领域,本文就如何有效提取其病例图片进行了技术方法研究。研究表明,将RGB转化到HSI空间检索结果有很大不同,其原因在于胶囊内镜图像有丰富的色彩,在HSI空间下表达胶囊内镜图像更加符合医生的视觉。同时我们还发现,将图像采用HSI模型表达后,对胶囊内窥图像HSI各分量图像采用Daubechies小波变换,提取HSI各分量图像的纹理和颜色特征,由于许多病变胶囊内窥图像带有出血变红的图像特征,这启发我们在进行图像相似度测量时,H分量图像的特征需加以强调。所以我们在HSI各个特征分量设置不同权重,并且H分量权重最大。本文方法与对HSI分量特征的平均分配权重方法进行了实验比较,实验表明运用本文方法取得较好的检索效果。通过病人的每一张图片都与标准库中的标准病例图片进行比较,选择相似度最大值作为其索引值,从而将病人的图片按疑似病变程度从高到低输出,这样就保证了即使一个病人含有多种消化疾病也能被及时有效地检测出来,不局限于某种疾病,这对与临床治疗有非常有意义。辅助医生只需检查靠前部分图片就可以做出诊断,相对于检查4-5万张图片不但大大减轻了医生的劳动量而且提高了诊断正确率。后期可以根据医生的经验改变HSI各个分量的权重,更加符合医生对图片的视觉特性。结合现代模糊数学和人工神经网络,本文提出基于BP神经网络的无线胶囊内窥图像自动识别技术。针对胶囊内窥肿物图像和正常图像的特点,本文将图像识别算法应用到胶囊内窥图像识别领域,提出采用提取图像六个分量的FTS统计特征作为胶囊内窥图像的纹理特征,并采用BP神经网络分类器进行识别,多个BP最终投票决策出最终的识别结果,取得了良好的效果。程序代码由matlab和C++语言编程完成,实验结果显示,该算法在胶囊内窥正常图像和肿物图像的识别中是合理可行的,可以有效地辅助医生对胶囊肿物图像的筛查工作。