近年来我国癌症新发病例不断增加,其中结直肠癌的发病率和死亡率更是保持着显著的攀升趋势,研究表明许多肠癌患者存在息肉和溃疡性结肠炎(简称溃结)的疾病史。通常息肉生长缓慢,而溃结属于一种慢性病症,在疾病恶化之前的及早发现并治疗可以显著改善患者的临床症状并降低肠癌的发病率。内窥镜作为常见的消化道检查手段,可以实时检测肠道情况,但随之而来的是大量的肠镜图像,如果仅依靠医生观察则要耗费大量时间和精力,并且长时间工作难免会出现漏诊和误诊的情况。因此,研究用于大肠疾病自动检测的计算机辅助诊断系统对于提高检查效率和准确率意义重大。本文基于特征选择和特征编码的方法,研究了用于大肠息肉和溃结自动识别的肠镜图像分类算法。其主要内容包括以下方面:1.针对实际肠镜图像存在黑框、遮挡和光斑等干扰信号,设计了图像预处理系统。首先提取原始图像的感兴趣区域(ROI),并采用了基于图像分割和像素均值的无参考图像质量评价指标,相比于全局图像的统计方式,可以达到更理想的评价效果;同时针对光斑会以息肉或者溃结的形态产生虚假边缘,采用了基于阈值检测和像素填充的方法进行光斑的检测与修补,从而为图像分类算法的设计提供了有效的肠镜图像数据集。2.针对肠镜图像的特性,提出了一种基于颜色和局部纹理描述的特征提取方法。首先根据直方图量化的方法,将HSV颜色空间的图像均匀量化为若干个颜色子区间,对于每个子区间的像素,计算其与邻域像素的RGB差值用来表示图像的局部变化情况,进而得到局部色差直方图(LCDH)特征。3.考虑到单一特征通常无法全面地描述内窥镜图像,而大量特征的串联又会造成特征冗余的情况,设计了基于多特征融合和特征选择的图像分类框架。首先提取图像的多个颜色和纹理特征;然后结合成对约束稀疏(Constraint-Guided Sparse)特征选择算法,从特征池中筛选出更具有判别性的特征分量;最后使用SVM分类器,在二分类实验中达到了93.44%的准确率。4.为了进一步提高分类性能,提出了一种基于改进特征袋模型的图像分类框架。特征袋模型的核心在于局部特征提取和特征编码,本文在LLC编码方式的基础上引入视觉词与特征之间的相似度作为编码自适应权重,提出了一种归一化方差局部约束线性编码(NVLLC)方法;在特征提取阶段使用LCDH作为局部特征描述符;同时采用仅利用正样本的特征学习策略构建码本。实验结果表明,在二分类实验中达到了97.50%的分类准确率,在多分类实验中对息肉和溃结的识别率分别为92.50%和95.50%,验证了该方法的有效性。