无线胶囊内窥镜作为消化道疾病的检测工具,无创伤、无痛苦、无盲点、安全卫生、操作方便不影响患者的日常生活,克服了传统的插入式内窥镜检查不全面和给患者带来痛苦的缺点,已成为医疗器械研究的热点。无线胶囊内窥镜能将胃肠的内部情况,通过彩色照片呈现出来,每个患者将产生4-6万张图片,需要专业的医务人员进行查看,以判断消化道是否发生病变,这对医务人员的注意力和时间都是一个巨大考验,同时也是胶囊内镜推广应用的绊脚石,因此需要计算机智能技术对病变范围做一个初步的预测。本文主要针对的疾病是胃肠出血,胃肠出血是许多恶性疾病的预兆信号,因此需要早发现,采取措施。本文的核心研究是图像的预处理和基于颜色特征的内窥镜图像出血检测问题。无线胶囊内窥镜拍摄到的图片会因光照不足、消化液遮挡、食物残渣遮挡、气泡遮挡等原因,导致图像部分区域不包含有效信息,会对后续的出血检测造成干扰。在hsv颜色空间分析每种无效区域的通道取值,通过限制hsv三个颜色通道的范围,删除图片中黑暗的无效区域,被浑浊消化液和食物残渣遮挡的区域;多数明显出血图片中出血区域的面积小于有效面积的1/3,不明显出血图片中出血区域面积小于有效面积的1/5,并且颜色特征多为统计特征,正常区域过大会降低出血检测的敏感性。超像素分割可以有效提取出血区域,但它在提升准确度的同时也增加了计算量。通过分析发现出血区域的饱和度比正常区域的饱和度高,对于明显出血可以有效提高出血区域的比例,因此本文通过提取高饱和度区域和超像素分割来提高出血区域的相对面积。同时对去除无效区域和提取高饱和度区域过程中损失的有效区域进行分析。在图像出血检测阶段,对出血区域和非出血区域的颜色直方图特征、颜色矩特征和红色纯度特征进行分析,并根据出血像素和非出血像素特征值范围的不同,进一步对特征进行量化降维。预处理阶段损失了一部分有效区域,通过实验分析出血区域相对面积的大小对出血检测的效果的影响。对朴素贝叶斯分类器、随机森林分类器和支持向量机分类器的适用场景进行分析,并分别在图片级别和超像素级别进行出血检测,从而为明显出血数据集和不明显出血数据集选择合适的特征和分类器。并将将算法应用患者的数据集上,对算法的实时性进行分析。结果优化主要根据图片序列的时序性与胃肠出血的持续性,我们在前面图片分类的基础上,进行二次处理,二次处理的理念是如果某张正常图片周围的图片大多数是出血的,那么该图片有可能被误判,则将该图片类型变为出血;反过来,如果某张出血图片周围的图片大多数是正常的,那么该图片有可能被误判,将该图片的标记变为正常。