M是矩 陣Μ的跡，k是常量，取值為0.04, Θ為闊值。
[0033] 合法KAP有向圖和非法KAP有向圖為：在KAP有向圖中，若圖中的每個頂點Vi， i一 {1，2,…，η}，移動的范圍均在其可移動范圍內，則稱此圖為合法KAP有向圖。若圖中存 在任意一個或者多個頂點V，，j一（1，2,…，η}，移動的范圍超出了其可移動范圍，則稱此圖 為非法ΚΑΡ有向圖。
[0034] 多步匹配分類為：首先，提出了ΚΑΡ有向圖間頂點粗粒度匹配算法，用來返回兩張 ΚΑΡ有向圖間頂點的初始匹配序列；然后，提出了ΚΑΡ有向圖間頂點細粒度匹配算法，用來 對ΚΑΡ有向圖間的頂點進行進一步的匹配；最后，提出了ΚΑΡ有向圖間頂點匹配的優化算 法，從而準確的實現了ΚΑΡ有向圖的匹配過程，得到了ΚΑΡ有向圖間相同的頂點和公共子 圖。利用頂點的重要性Ρ作為頂點的權值，對ΚΑΡ有向圖間相同的頂點進行加權求和作為 兩圖的相似度，采用投票機制進行分類。
[0035] ΚΑΡ有向圖間頂點粗粒度匹配算法為：輸入兩張ΚΑΡ有向圖G。和Gb，首先查找G。 圖像中的所有頂點，根據頂點的重要性，獲得每個頂點的可移動的范圍。然后，查找Gb圖像 中的所有頂點，判斷Gb圖像中頂點是否在G。圖像中相應頂點的可移動范圍。如果在其可移 動的范圍，則對運兩個頂點建立有序對，從而形成頂點匹配序列，最終進行返回。
[0036] KAP有向圖間頂點細粒度匹配算法為：首先，依次遍歷頂點集V中的頂點Vi，計 算出每個頂點的差值矩陣AQFV= IQFV-QFV'I、AHFV= IHFV-HFV'I。然后，利用公式 SUM[j]=SUM[j] + AQFV[i，j] + AHFV[i，j]}}計算出差值數組SUM[j]，并對其進行排序，刪 除差值最大的點W及圖中所有的有向邊。最后，重新構建KAP有向圖，重復進行上面的步 驟，直至KAP有向圖中所有頂點的差值數組均相同算法終止。
[0037] KAP有向圖間頂點匹配的優化算法為：首先，W求出的公共子圖為基礎，消去公共 子圖的有向邊，只保留頂點，形成頂點集，此頂點集是模板圖和對比圖共有相同頂點的集 合。然后，在模板圖中找到離相同頂點集中任意頂點最近的已經被刪除的差異頂點，并把其 加入到頂點集中，重新構建KAP有向圖。在對比圖中同樣按照距離由小至大的順序加入一 個已經被刪除的差異頂點，并把所有的差異頂點均遍歷一遍，會分別形成一個KAP有向圖， 判斷其是否與模板圖中的KAP有向圖相同，如果相同則說明該差異頂點是被誤刪的頂點， 并把其重新加入到頂點集中。最后，重復上述過程，直到沒有需要被加入的差異頂點算法終 止。 陽0測實施例1
[0039] 首先對醫學圖像進行預處理： W40] 1.對原始圖像庫中的每一張原始的腦部CT圖像提取R0I區域；
[0041] 2.截取R0I區域并校正；
[00創 3.計算圖像R0I區域灰度直方圖的波谷分布情況，得到灰度直方圖的波谷表；
[0043] 4.按照波谷表設置闊值對圖像多次提取紋理，從而得到多級紋理圖像； W44] 5.最后將多級紋理圖像規范化為大小為C0LUMNXROW的圖像； W45] 6.提取出紋理圖像的角點；
[0046] 7.將提取到的角點的坐標存儲在相應的坐標隊列中；
[0047] 將預處理后的圖像保存在相應的數據庫中，經過W上過程，每一張原始圖像均對 應一個紋理角點存儲隊列。首先，利用存儲隊列中的角點構建KAP有向圖；然后，利用KAP 有向圖間頂點粗粒度匹配算法、KAP有向圖間頂點細粒度匹配算法和KAP有向圖間頂點匹 配的優化算法實現KAP有向圖間準確的匹配，得到了KAP有向圖間相同的頂點和公共子圖； 最后，利用頂點的重要性P作為頂點的權值，對KAP有向圖間相同的頂點進行加權求和作為 兩圖的相似度，采用投票機制進行分類。
[0048] 具體的一次圖像分類過程如下：
[0049] 1.對待分類醫學圖像MI提出分類請求；
[0050] 2.對待分類醫學圖像MI進行預處理，得到相應的規范化大小的紋理圖像；
[0051] 3.利用面向紋理的角點提取方法提取出MI中紋理部位的角點，并存儲在相應的 紋理存儲隊列中； 陽0巧4.與訓練集中的圖像進行粗粒度的匹配，返回頂點初始匹配序列；
[005引5.與訓練集中的圖像進行細粒度匹配，利用構建的KAP有向圖模型對粗粒度匹配 的初始匹配序列進行調整，排除離散點的干擾；
[0054] 6.進行頂點匹配的優化處理，對部分被誤刪的頂點進行找回，從而獲得兩圖的相 同的頂點和公共子圖；
[0055] 7.利用頂點的重要性P作為頂點的權值，對KAP有向圖間相同的頂點進行加權求 和作為兩圖的相似度，采用投票機制進行分類。
[0056] W上實例表明，本發明提出的基于KAP有向圖模型的醫學圖像分類算法具有實際 的應用價值。
[0057] 本發明還有運樣一些技術特征：
[0058] 1.關于KAP有向圖中頂點的提取方法：
[0059]KAP有向圖中的頂點即為紋理圖像中紋理位置處提取的角點，紋理提取的具體的 步驟W圖1中的圖像為例，圖1(a)是原始腦部CT圖像，圖像兩側白色的部分是噪聲區域， 對分類的精度有著嚴重的影響，因此首先提取圖1(a)的R0I區域，即去掉無用的白色區域 只保留有用的部分，如圖1(b)所示。然后通過計算R0I區域的灰度直方圖的波峰、波谷自動 的得到分級數組par比]。按照k層分級數組使用canny算法得到的分級紋理圖像，圖1(c) 是經過校正的分級紋理圖像。為了便于后續的建模和分類過程，將該分級紋理圖像規范化 為統一大小ColumnXRow的規范化大小紋理圖像，本文采用Column= 161，Row= 151，如 圖1(d)所示，最終得到了腦部CT圖像中最重要區域的紋理信息。
[0060] 2.關于KAP有向圖的定義：
[0061] 定義1.一個1(4口有向圖本質上是一個五元組0=(￥，6，1，口，腳，其中￥是頂點 集合，E屬于VXV的邊集，且E為有向邊，Μ:V- {1，2, ···，!!}為頂點分配標簽函數，P: V- [(U]是頂點的重要性指數函數，N是Ni的集合，i一 {1，2，···，η}體現了KAP有向圖 中每個頂點周邊的空間結構。
[0062] 需要說明的是Ni代表距離頂點V1最近的Κ個頂點的集合{V1，V2,…，ViJ，運里不 包含頂點Vi本身。從頂點V1到距離其最近的K個頂點會分別建立有向邊，有向邊的方向是 從頂點Vi指向距離其最近的K個頂點。 陽06引圖2所展示的是從紋理圖像到KAP有向圖建模的全過程，圖2 (a)是紋理圖像，圖 2化）是圖2 (a)紅色虛線方框區域的放大圖，圖2(C)為圖2化）紋理處的像素點集。圖2(C) 經過T-Harris角點提取后，圖像中的角點被標記出，同時角點的坐標也被獲取，如圖2(d) 中紅色位置所示。然后，根據步驟V、E和P最終獲得KAP有向圖，如圖2(e)所示。
[0064] 定義2.對于一張合法KAP有向圖Gi，圖中的任意一個或者多個頂點Vi，i一 {1，2,…，η}，在其可移動范圍內移動而形成圖G2，G3…G。，由于圖中頂點和頂點間的空 間結構并沒有發生改變，所W我們稱Gi，G2…G。是相同的KAP有向圖。 W65] 定義3.在進行KAP有向圖匹配時，存在KAP有向圖集合M=咕，G2,…Gk…G。}， 選定一張KAP有向圖Gk作為被匹配的對象，則稱此KAP有向圖為模板圖燈G，Template Graph)，其余KAP有向圖稱為對比圖（CG，ContrastGraph)。
[0066] 定義4.Gi和G2為兩張KAP有向圖，V。是G1和G2公共子圖的頂點，嚇為頂點的重 要性權值，則稱
為圖Gi和圖G2的相似值。
[0067] 3.多步匹配分類算法的具體步驟：
[0068] 根據醫學領域的知識可知，每個人腦部的構造是相同的，但是會在尺度上略有差 異，因此，即使對兩個完全健康人