基于分級策略和規(guī)則修正的無線內(nèi)鏡圖像出血檢測方法

李德豆　汪成亮　許杰　周平

摘 要：無線膠囊內(nèi)窺鏡在對消化道進行出血檢測時會產(chǎn)生大量圖像，傳統(tǒng)的出血檢測算法大都追求高精度而導致復雜度過高不能滿足于實際應用需求，為此該文提出一種分級檢測方法，首先利用出血圖像像素在紅色純度空間中與典型出血圖像像素的相似性對圖像進行初步分類，再設立規(guī)則對初步分類的結果進行去噪和提取出血圖像，最后利用改進紅色純度對圖像進行特征提取作為SVM分類器輸入進行精確分類。實驗表明，分級檢測算法能大大減少圖像檢測量的同時，使得精確度均達到90%以上，靈敏度均達到93%以上，特異度均達到90%以上，基本實現(xiàn)了膠囊內(nèi)窺圖像出血智能快速識別，可代替醫(yī)生應用于膠囊內(nèi)窺圖像的初步檢測。

關鍵詞：膠囊內(nèi)窺鏡 出血檢測 紅色純度 分級策略 規(guī)則修正

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1674-098X（2015）11（a）-0245-08

Abstact：In this paper，a novel method is proposed for bleeding detection in wireless capsule endoscopy（WCE） which can significantly speed-up the detection time for large number of images.The bleeding image in WCE is estimated in three levels which consist of a rough，a modificatory and a precise level.In the rough level，a classifier which can be applied in the Red purity color space is built to divide the WCE images into two classes；In the modificatory level，The correlation and continuity of the WCE images is brought forth to amend the result of classification and some of images are chosen as representative samples； In the precise level，an improved color feature extracting method is designed for the representative images.And a SVM classifier is utilized to re-confirm the representative images if they are bleeding images or not.The experimental results suggest the effectiveness of the proposed method.

key Words：Wireless Capsule Endoscopy（WCE）；Bleeding Detection；Red Purity；Hierarchy Strategy；Rule Modification.

無線膠囊內(nèi)窺鏡（Wireless Capsule Endoscopy）作為全消化道無痛無創(chuàng)出血檢測的一項有效手段，在臨床方面的應用越來越廣泛[1]。但由于膠囊內(nèi)鏡圖像尺寸小、分辨率低、圖像數(shù)量大和圖像重復性多，如果人工閱片，效率低時間開銷大，這對于時間寶貴的醫(yī)生來說不但代價昂貴，而且也容易造成醫(yī)生疲勞從而發(fā)生漏診現(xiàn)象。開發(fā)基于圖像處理與模式識別技術的實時自動識別診斷系統(tǒng)，剔除健康組織圖像，保留疑似病灶圖像，能極大地降低醫(yī)生勞動強度和病人診斷費用和時間。

近年來一些國內(nèi)外研究機構和膠囊生產(chǎn)廠家就開始嘗試研究建立計算機輔助診斷系統(tǒng)（CAD），從大量的內(nèi)鏡圖像中識別出出血圖像，幫助醫(yī)生診斷[2]。以色列Given Imaging公司提供的疑似出血檢測工具（suspected blood indicator，SBI）來幫助醫(yī)生找出出血病灶或者可疑的血管畸形病灶；Olympus公司開發(fā)的Endocapsule系統(tǒng)也具有一些新的輔助讀片功能；重慶金山科技公司生產(chǎn)的OMOM膠囊內(nèi)鏡系統(tǒng)，它的圖像工作站也含有圖像處理功能，能幫助減少醫(yī)生閱片的時間，然而功能都有待于進一步提高。

目前，對消化道出血圖像的識別分類的步驟主要是，先對圖像進行特征提取，再以提取特征為依據(jù)將圖像分類出血模式和非出血模式。根據(jù)特征提取的方法可分為基于像素特征、基于全局特征和基于局部特征等。

在基于像素特征的研究方面，徐[3]和潘[4]等在提取圖像特征時，都采用了像素在兩個不同顏色空間的特征，并利用神經(jīng)網(wǎng)絡分類器進行分類。由于圖像像素數(shù)目巨大，導致待檢測數(shù)據(jù)量巨大，加上需要顏色空間轉換，使用智能分類方法導致計算復雜度高、效率低下。顏等[5]則采用在RGB顏色空間中利用待測像素和標準出血像素點的相似性系數(shù)作為分類依據(jù)，檢測速度快，但要達到好的檢測效果需要確定合適標準出血像素點和相似性閾值，使得算法的適應性不夠。

基于全局特征的研究方面，基于整個圖像顏色模糊紋理譜直方圖提取圖像特征向量，方法檢測速度較快，但是由于算法沒有考慮圖像空間特征，容易造成小面積出血區(qū)域的漏檢，最終的分類效果較差[6]，即使結合空間金字塔構造特征向量[7]，但是空間劃分固定沒有考慮實際圖像具體空間分布，所以，對小面積出血檢測效果也不是很理想。

基于局部特征研究方面，宋[8]使用分水嶺算法對圖像進行分割，根據(jù)各分割區(qū)域在CIEluv色彩空間的色差均值完成出血檢測。李[9]則構建局部和全局特征的級聯(lián)式病變檢測算法，進一步降低漏檢率。其中，利用超像素的對圖像進行分割方法在一些文獻[10]中也逐漸流行，并取得較好的檢測效果。超像素指的是在圖像中由一系列位置相鄰且顏色、亮度、紋理特征相似的像素點組成的小區(qū)域，這些小區(qū)域大多保留了進一步進行圖像分割的有效信息，且一般不會破壞圖像中物體的邊界信息。圖像在經(jīng)過基于超像素的分割之后其圖像單元將更加符合人們期望的結構粒度，有利于后期算法處理，但是分割算法過于復雜，對于處理大量圖像沒有優(yōu)勢。

1 基于分級策略和規(guī)則修正的無線內(nèi)鏡圖像出血檢測方法

膠囊內(nèi)鏡對患者進行檢查時產(chǎn)生的圖像多達幾萬張，而真正出血病變的圖像只有幾千到幾百張甚至只有幾十張。如何能快速高效地從大量的圖像中檢測出少量的出血圖像，并且能保持一定的準確率是內(nèi)鏡圖像出血檢測在臨床應用中需要解決的一個重要問題。當前許多算法中，有的過于簡單，雖檢測速度快，但檢測性能不好；有的雖檢測性能好，但復雜度過高不適用于檢測大量圖像。

針對以上考慮，該文提出一種基于分級策略和規(guī)則修正的無線內(nèi)鏡圖像出血檢測方法，能夠平衡檢測性能和檢測速度之間矛盾，達到能運用于實踐的目的，降低醫(yī)生的工作負擔。該算法主要有以下3個方面貢獻。

（1）采用三級檢測策略，突破傳統(tǒng)一站到底的檢測方式，對檢測過程進行分級分工，根據(jù)各級檢測側重點的不同，細化任務，在簡單速度快算法和復雜效果好算法之間找到平衡點，形成實用檢測算法，更好地平衡效率和效果的沖突，能滿足臨床應用的要求，特別是在急診實時診斷要求。

（2）引入修正規(guī)則去除噪點，將圖像集分段處理提取出血部位圖像代表。在提取圖像的特征和摘要后，利用膠囊內(nèi)鏡相鄰圖像高度相關確立修正規(guī)則，對圖像分類結果去噪，以提高對圖像檢測的靈敏度，并選取出血圖像代表作為下級模型檢測集，以減少圖像檢測量，提高整個算法速度。

（3）對紅色純度顏色分量進行歸一化處理，提出歸一化紅色純度相似度分類器，并引入徑向核函數(shù)對分類器進行改進，對圖像的初步分類速度快效果好。

該算法主要有3個步驟：首先，用一級模型檢測對整個圖像集進行初步的篩選；其次，再利用二級掃描窗口對篩選出來的圖像進行基于規(guī)則的修正并選取出疑似出血圖片代表；最后，利用三級模型檢測對篩選出來圖像進行精確分類。圖1為算法的簡要步驟和相應的任務。

2 一級模型（初步分類算法）

基于全局圖像的算法[14，15]檢測速度快，但對于小區(qū)域的出血圖像容易造成漏檢；基于局部圖像檢測算法[16]分類速度也很快，但前期的局部劃分或是劃分過于簡單沒有考慮劃分的空間信息，或是劃分復雜耗時，對處理大量圖像沒有優(yōu)勢；基于像素檢測的算法[17-19]精確度高，不易造成漏檢，但數(shù)據(jù)量巨大使用智能分類方法會導致計算復雜度升高，無法滿足實際應用的要求。故該文使用顏色相似度分類方法作為一級模型對圖像進行處理，既能達到速度快利于實踐應用的目的，又能兼顧覆蓋率。一級模型對待檢圖像進行初步判斷，產(chǎn)生圖像初步分類摘要序列，作為二級掃描窗口修正模型的輸入。

2.1 出血圖像的紅色純度

顏色特征具有較高魯棒性，當圖像自身的方向、尺寸等發(fā)生變化時，對提取后的顏色特征影響不大，所以，在圖像檢索領域中被廣泛使用。圖2是一張典型的出血圖像，其出血區(qū)域最明顯的特征便是顏色特征，雖然紅色是主色調(diào)，但是與非出血區(qū)域相比出血區(qū)域呈現(xiàn)飽和度較高的紅色。

對圖像的出血像素和非出血像素在RGB顏色空間下的分布規(guī)律進行分析可以看出，在RB和RG二維空間中，出血像素和非出血像素的分布都有各自的區(qū)域，基本不重合，而在GB二維空間中，則有部分重合，如圖3所示。

綜合以上分析，考慮采用紅色純度特征，用于提取出血和非出血像素點的顏色特征公式如下：

其中，變量和分別為像素點的紅、綠和藍分量值，可得到一個三維特征向量。由于出血區(qū)域的紅色飽和度明顯高于非出血區(qū)域的紅色飽和度，使得出血區(qū)域的紅色純度也明顯高于非出血區(qū)域的紅色純度，而且紅色純度特征可以有效地去除圖像光照不均的影響[11]，所以在顏色特征提取時利用紅色純度特征特征比直接利用RGB特征具有更好的效果。

2.2 歸一化紅色純度相似度分類器

以此聚類中心代表標準出血像素，以待檢圖像像素和標準出血像素的歐氏距離紅色純度相似度，則出血像素的特征就是與標準出血像素相似度高，非出血像素的特征就是相似度低，進而利用圖像中含有出血像素的數(shù)目來判斷待檢圖像的出血模式。考慮像素樣本非線性可分情況存在，引入高斯徑向核函數(shù)對相似度進行改進，其中為核函數(shù)中心，為函數(shù)的寬度參數(shù)，控制了函數(shù)的徑向作用范圍。

3 二級掃描窗口

基于規(guī)則的檢驗，利用圖像獲取的時序性和相鄰圖像的高度相關性，采用掃描窗口方法[20]順序地對圖像摘要序列進行規(guī)則修正，并選出疑似出血圖像集作為三級模型的輸入

3.1 相鄰圖像相關性

由于消化道的空間限制和拍攝的時序性，按照圖像序列順序觀察，可以發(fā)現(xiàn)越相鄰的圖像具有相關性越大，就越容易被分類為相同顏色的圖像。以分類圖像為出血模式（正例）或非出血模式（負例）為例，當一個圖像被分類為正例，如果它附近（相鄰時間區(qū)間內(nèi)）的圖像中也被分類為正例，那么這張圖像被正確分類為正例的概率應該很高。反之，如果與它相鄰的圖像中很少甚至沒有圖像被分類為正例，那么這張圖像被正確分類為正例的概率應該很低，即為噪聲的可能性很高。

通過上述分析發(fā)現(xiàn)，可以以此相關性設立規(guī)則，在圖像時間序列中，如果某個時間區(qū)間內(nèi)的圖像被預測為正例的密度很大，則認為這些圖像被正確預測，作為結果輸出。如果該區(qū)間內(nèi)圖像被預測為正例的密度較小，則認為這些預測的準確率不高，不作為預測結果輸出。

3.2 掃描修正規(guī)則

圖5給出一個標注預測結果的圖像時間序列，表示位于時刻的負例，表示位于第時刻的正例。定義兩個相鄰正例和之間的時間間隔為相鄰正例間隔，記（和相鄰表示和之間沒有其他正例存在），滑動窗口長度為，在圖像時間序列上，標示滑動窗口的其實位置滑動到第時刻。由于滑動窗口內(nèi)圖像的大多為相似圖像，可以以滑動窗口為單位對圖像序列進行劃分，選取其中一張圖像作為此窗口內(nèi)所有圖像的代表，減少后期待檢測圖像集。

定義1：有效滑動窗口：給出一個滑動窗口（窗口其實位置為），若在j時刻的圖像為正例（即出現(xiàn)在于滑動窗口的起始時刻），則稱為有效滑動窗口。

定義2：顯著相鄰正例間隔：假設為正例間隔長度，若××，其中，為所有長度小于等于的相鄰正例間隔個數(shù)，為所有長度小于等于的相鄰正例間隔個數(shù)，，是滑動窗口長度，為一個人工給定的閾值。則所有長度不大于的相鄰正例間隔為顯著相鄰正例間隔，記為。

定義3：顯著滑動窗口：給定一個有效窗口其中的顯著相鄰正例間隔數(shù)大于一個人工給定的閾值，則稱為顯著滑動窗口。

定義4：出血部位與正常部位：對圖像序列按滑動窗口寬度進行分段，當所分的段內(nèi)為顯著滑動窗口則被稱為出血部位；當所分的段內(nèi)為非顯著滑動窗口被稱為正常部位。

基于規(guī)則的正例預測結果篩選方法：滑動窗口按圖像獲取順序?qū)D像集進行掃描，當滑動窗口為顯著滑動窗口時，從窗口內(nèi)所有被預測為正例圖像中隨機選取一張作為代表結果輸出；當滑動窗口為非顯著滑動窗口時，窗口內(nèi)所有被預測為正例圖像均被忽略，不作為結果輸出。算法具體描述如表2的算法1所示。

其中，表2的算法第1行到第7行通過對輸入序列進行掃描，統(tǒng)計相鄰正例間隔數(shù)，并最終確定和標記序列中顯著相鄰正例間隔；算法第8行到第12行，以步長再次對對輸入序列進行掃描，根據(jù)掃描窗口內(nèi)顯著相鄰正例間隔數(shù)來判斷是否為顯著滑動窗口，若非顯著滑動窗口則窗口中所有圖像均不作為結果輸出，若為顯著滑動窗口則從中隨機挑選一個正例圖像作為顯著滑動窗口的代表圖像放入作為結果輸出。

4 三級模型（精確分類算法）

經(jīng)前兩級的篩除，使得待檢測圖像集大大減少，三級模型即使采用復雜度高的算法，由于檢測量少，整體上也能減少檢測時間，且保證檢測精度。三級模型采用一種分類效果比較好的出血檢測算法[12]。算法步驟如圖6所示：該算法，首先去除掉由于腸皺襞形成的陰影區(qū)域和相機失焦所產(chǎn)生的模糊邊緣的影響，接著利用簡單線性迭代聚類（Simple Linear Iterative Clustering，SLIC）算法將圖像分割成超像素圖像，最后在超像素基礎上對圖像紅色純度特征進行提取作為支持向量基（SVM）分類器的輸入進行分類，提取真正出血圖像。

4.1 邊緣去除

使用Canny算子對圖像亮度分量進行邊緣信息檢測，將檢測到的邊緣信息采用形態(tài)學膨脹算法進行膨脹，將膨脹得到的邊緣在對應原始圖像中進行去除。邊緣去除效果如圖7所示。

經(jīng)過預處理后，圖像中的大部分強邊緣區(qū)域己經(jīng)被去除，特別是圖像外邊緣模糊區(qū)域。由于亮度圖像不攜帶彩色信息，經(jīng)過實驗驗證，選擇合適的邊緣檢測參數(shù)后，該方法對于出血區(qū)域附近的邊緣影響較小。預處理后的圖像將被傳遞給下一步操作進行圖像的超像素分割。

4.2 超像素分割

Achanta等人[13]提出了（SLIC）算法，它根據(jù)像素的顏色相似度和像素點之間的距離關系，將圖像中的像素點聚類成超像素的過程。SLIC算法實現(xiàn)簡單，運行速度較快，能生成緊湊且近似均勻的超像素，同時還能控制超像素的數(shù)量，分割效果如圖8所示。

4.3 特征提取及改進

考慮到出血圖像的出血區(qū)域灰度值低，非出血區(qū)域灰度值高，即說明在出血區(qū)域由于摻入的白光少而呈現(xiàn)高飽和度紅色，非出血區(qū)域由于摻入白光較多即使顯紅色，飽和度也偏低，故在利用紅色純度顏色特征的同時，應充分利用顏色的飽和度來作為區(qū)分出血和非出血模式的特征。故在的基礎上，提出在HIS空間飽和純度特征向量：

其中，分別為HIS顏色空間的色調(diào)（Hue）、色飽和度（Saturation）和亮度（Intensity），則改進的顏色特征為，其提取流程如圖9所示。

將提取出圖像改進顏色特征作為SVM分類器的輸入，對圖像進行分類。

5 實驗

OpenCV不僅是一款強大的圖像處理軟件，而且ML模塊集成有LibSVM分類器，用戶能很方便的使用。該文是在C++平臺上構建OpenCV編程環(huán)境，實現(xiàn)上述算法，進行數(shù)據(jù)實驗。

5.1 實驗數(shù)據(jù)集

該文采用金山科技OMOM系統(tǒng)提供的3名患者完整內(nèi)窺圖像序列作為實驗數(shù)據(jù)測試集，其中人工標記的出血部位、正常部位和圖像總量、出血特征，如表2所示。由于二級模型具有刪除冗余重復圖像的功能，即使在理想狀態(tài)下也不可能找全所有出血圖像，而要求是能夠檢測出所有出血部位。

從5張典型出血圖像（見圖10所示）選取10 000個出血像素，20 000個非出血像素作為訓練數(shù)據(jù)。一級模型中，利用公式對10 000個出血像素進行計算，得到，設閾值，；二級模型中，掃描窗口寬，，；三級模型中，利用這30 000個像素的6個顏色特征組成訓練集對SVM分類器進行訓練。

將一、二級模型篩選出來的疑似出血圖像進行分割得到的超像素，使用訓練出的SVM分類器進行分類，每個超像素被分為出血超像素或者非出血超像素，根據(jù)每幅圖像中是否含有出血超像素將圖像分類為出血圖像或非出血圖像，最后根據(jù)圖像是否出血來判定相應的出血部位。

5.2 評價標準及結論

為了驗證本算法的有效性和高效性，采用圖像篩選率、精確度、靈敏度和特異度作為衡量指標，其計算公式如下：

篩選率表示去除冗余、噪點圖像的能力，敏感性表示發(fā)現(xiàn)出血樣本的能力，特異性表示避免誤診的能力，準確率則代表了算法敏感性和特異性的總體表現(xiàn)。當前的現(xiàn)有技術水平下，想將后三者都提高到非常滿意的水平是非常困難的，而現(xiàn)實的醫(yī)生對病情的診斷中，最希望的是不要因漏診的現(xiàn)象，而延誤了患者疾病的治療，錯過最佳治療時間，故該文算法的主要目的是在保證高精度的條件下，盡量提高靈敏度，靈敏度比特異度更重要。利用該算法對上節(jié)的實驗數(shù)據(jù)進行檢測，得到混淆矩陣和實驗結果見下表4～表7所示。

實驗結果顯示，分級算法的提出能將篩選率控制在0.06以下，使得篩選出來的圖像量從幾萬級下降到幾千級，使得檢測速度大大提升，同時該出血檢測算法對三位患者的精確度均達到90%以上，靈敏度均達到93%以上，特異度均達到90%以上，算法能在保持一定精確度的基礎上，保持高靈敏度，達到本研究的目的。同時該算法也存在一定的局限性，修正規(guī)則雖能減少圖像檢測數(shù)量，但也使得圖像漏檢的可能性增加，需要進一步改進；三級模型對于陳舊性出血、整體光線較暗顏色特征不是很明顯或點狀分布出血區(qū)小于超像素分割粒度的圖像也有漏檢的可能，需要對超像素分割粒度和特征向量的提取進一步探討。

6 結語

該文主要對無線內(nèi)鏡圖像的出血檢測算法進行探討，針對內(nèi)鏡圖像尺寸小、分辨率低、圖像數(shù)量大和圖像重復性多等特點，提出基于分級策略和規(guī)則修正的出血圖像自動檢測算法。該文首先對圖像顏色特征進行了分析，利用歸一化紅色純度特征對圖像進行初步分類；接著設立相關性規(guī)則建立二級模型對初步分類結果進行去噪，選取出疑似出血圖像；最后利用三級模型對疑似出血圖像進行邊緣去除和超像素分割，并提取改進的紅色純度特征向量作為SVM分類器輸入進行分類，篩選出出血圖像。最后通過軟件編程實現(xiàn)該算法，并利用3名患者完整內(nèi)鏡圖像實驗驗證該算法可行性，實驗結果表明該出血檢測算法能將患者的圖像數(shù)量從幾萬級下降到幾千級，大大降低醫(yī)生的閱片量，并且精確度均達到90%以上，靈敏度均達到93%以上，特異度均達到90%以上，基本實現(xiàn)了膠囊內(nèi)窺圖像出血智能識別，將代替臨床醫(yī)生應用于膠囊內(nèi)窺圖像的初步檢測。

參考文獻

[1] BO L，LIAO Z.New research progress of capsule endoscopy [J].Chinese Journal of Practical Internal Medicine，2013，33（9）：742-745.（薄陸敏，廖專.小腸膠囊內(nèi)鏡研究新進展[J].中國實用內(nèi)科雜志，2013，33（9）：742-745.）

[2] XU Y.The evaluation of OMOM capsule endoscopy reading modes and the study on a new reading method of capsule endoscopy[D].Southern Medical University，2014.（徐揚志.OMOM膠囊內(nèi)鏡輔助閱片模式的臨床應用評估與一種新型輔助閱片模式的探索[D].南方醫(yī)科大學，2014.

[3] XU L.The method of bleeding detection in WCE images based on RBF function network. Bulletin of Science and Technology，2014， 30（3）：48-52.（徐麗珍.基于RBF神經(jīng)網(wǎng)絡的消化道出血圖像檢測研究[J].科技通報，2014，30（3）：48-52.）

[4] PAN G，YAN G，ZHANG M，et al. Application of probabilistic neural network and differential evolution to bleeding detection in wireless capsule endoscopy images[J].Optics and Precision Engineering，2010，18（6）：1429-1435.（潘國兵，顏國正，張明卿，等.概率神經(jīng)網(wǎng)絡與差異演化在膠囊內(nèi)窺圖像出血識別中的應用[J].光學精密工程，2010，18（6）：1429-1435.）

[5] PAN G，YAN G，SONG X，et al.Design of the color vector similarity coefficient classifier for bleeding detection in wireless capsule endoscopy images[J].Journal of Shanghai Jiao Tong University，2009（11）：1715-1719.（潘國兵，顏國正，宋昕帥，等.膠囊內(nèi)窺圖像出血檢測中顏色向量相似系數(shù)分類器的設計[J].上海交通大學學報，2009（11）：1715-1719.）

[6] LI K，LIU Z，LIU S，et al.Design and realization of an algorithm for capsule endoscope image recognition system[J].J South Med Univ，2012（7）：10.（李凱旋，劉哲星，劉思德，等.膠囊內(nèi)窺圖像識別系統(tǒng)算法設計及實現(xiàn)[J].南方醫(yī)科大學學報，2012（7）：10.）

[7] LV G.Research on portable capsule endoscopy video receiving system and bleeding pattern detection in endoscopic images[D].Shanghai Jiao Tong University，2012.（呂國嵐.膠囊內(nèi)鏡便攜式接收系統(tǒng)及內(nèi)鏡圖像出血識別算法研究[D].上海交通大學，2012.）

[8] SONG X.Research on capsule endoscope system and bleeding detection algorithm based on its image[D].Shanghai Jiao Tong University，2009.（宋昕帥.膠囊內(nèi)窺鏡系統(tǒng)及基于其圖像的出血檢測算法研究[D].上海交通大學，2009.）

[9] LI Q.Study of classification algorithms for capsule endoscopy small intestine images[D].Southwest Jiao tong University，2013.（李青.面向膠囊內(nèi)鏡小腸圖像的分類算法研究[D].西南交通大學， 2013.）

[10] WANG C.Bleeding detection in wireless capsule endoscopy based on super-pixel segmentation[D].Southwest Jiao tong University，2014.（王春瑤.基于超像素分割的無線膠囊內(nèi)窺鏡出血圖像的檢測算法研究[D].西南交通大學，2014.）

[11] J，Berens，G.D.Finlayson，G.Qin.Image indexing using compressed colour histograms[J].IEE Proceedings-Vision，Image and Signal Processing.IET，2000，147（4）：349-355.

[12] Yanan Fu，Mandal，M.，Gencheng Guo Y，Mandal M，GUO G.Bleeding region detection in WCE images based on color features and neural network[C]//Circuits and Systems （MWSCAS），2011 IEEE 54th International Midwest Symposium on. IEEE，2011.

[13] Achanta R，Shaji，A，Smith K， et al.SLIC superpixels compared to state-of-the-art superpixel methods[J].IEEE Transactions on Pattern Analysis and Machine Intelligence.2012，34（11）：2274-2282.

[14] C oimbra，M.T，Cunha，J.P.S.MPEG-7 visual descriptors-contributions for automated feature extraction in capsule endoscopy[J].IEEE Transactions on Circuits and Systems for Video Technology，2006，16（5）：628-637.

[15] Jiangguo Liu，Xiaohui Yuan.Obscure bleeding detection in endoscopy images using support vector machines[J].Optimization and engineering，2009，10（2）：289-299.

[16] L Baopu，M Q-H Meng.Computer-aided detection of bleeding regions for capsule endoscopy images[J].Biomedical Engineering，IEEE Transactions on，2009，56（4）：1032-1039.

[17] Guobing Pan，Guozheng Yan，Xiang Ling Qiu，et al.Bleeding detection in wireless capsule endoscopy based on probabilistic neural network[J].Journal of medical systems，2011，35（6）：1477-1484.

[18] Amer A.Al-Rahayfeh，Abdelshakour A.Abuzheid.Detection of bleeding in wireless capsule endoscopy images using range ratio color [J].The International Journal of Multimedia and Applications，2010，2（2）：1-10.

[19] HWANG S，OH J H，Cox J，et al.Blood detection in wireless capsule endoscopy using expectation maximization clustering[C]//Medical Imaging.International Society for Optics and Photonics，2006.

[20] ZHANG L-B，LI Z-H，ZHAO Y-Q，et al.A priority random sampling algorithm for time-based sliding windows over weighted streaming data[C]//Proceedings of the 2007 ACM Symposium on Applied Computing.New York： ACM，2007.