基于支持向量機(jī)的醫(yī)學(xué)圖像分割.pdf

1、圖像分割是圖像處理領(lǐng)域廣泛研究和應(yīng)用的技術(shù)。隨著實(shí)際應(yīng)用要求的不斷提高，圖像分割的各種理論和方法也在不斷拓展，圖像分割應(yīng)用的層面也在不斷拓寬，其在醫(yī)學(xué)圖像分析中也得到了廣泛應(yīng)用。盡管目前的分割方法達(dá)到了一定效果，但是以往的分割技術(shù)多是基于傳統(tǒng)統(tǒng)計(jì)學(xué)理論的方法，是基于樣本數(shù)目趨于無窮大時(shí)的漸近理論，在對(duì)待高維特征、樣本數(shù)較少等問題中很難獲得好的效果，這些分割方法的推廣能力也比較差。而實(shí)際問題多是樣本數(shù)目有限的情況，因此基于上述理論的直觀上

2、很優(yōu)秀的機(jī)器學(xué)習(xí)方法，在具體問題中的表現(xiàn)卻可能達(dá)不到期望的效果。近年來出現(xiàn)的支持向量機(jī)方法建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則基礎(chǔ)之上，基本原理是根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，以期獲得最好的推廣能力。傳統(tǒng)統(tǒng)計(jì)學(xué)習(xí)方法尋找的是樣本數(shù)趨于無窮大時(shí)的最優(yōu)值，而支持向量機(jī)方法得到的是有限樣本信息下的最優(yōu)解，其推廣能力優(yōu)于傳統(tǒng)的學(xué)習(xí)方法。
　　 本文主要對(duì)目前廣泛研究的醫(yī)學(xué)圖像分割進(jìn)行討論，將支

3、持向量機(jī)方法用于醫(yī)學(xué)血細(xì)胞圖像的分割。結(jié)合具體的實(shí)驗(yàn)分析和數(shù)據(jù)統(tǒng)計(jì)，說明了支持向量機(jī)核函數(shù)的選擇、核參數(shù)的設(shè)置和懲罰因子的不同取值對(duì)醫(yī)學(xué)圖像分割性能的影響。同時(shí)研究了輸入的樣本特征信息，即窗口尺度對(duì)分割結(jié)果的影響。通過實(shí)驗(yàn)分析訓(xùn)練樣本數(shù)目對(duì)分割結(jié)果的影響，驗(yàn)證了支持向量機(jī)方法的小樣本應(yīng)用特性。對(duì)加入噪聲后的圖像，描述了支持向量機(jī)方法的性能。將支持向量機(jī)分割方法與其他分割方法進(jìn)行比較，顯示了支持向量機(jī)分割方法的優(yōu)勢(shì)。支持向量機(jī)是一種描述機(jī)