支持向量機及其在醫(yī)學(xué)圖像分割中的應(yīng)用.pdf

1、本文借助支持向量機方法在小樣本、非線性及高維特征空間中具有良好的分類性能,針對醫(yī)學(xué)圖像分割的特點,對支持向量機方法及其在醫(yī)學(xué)圖像分割中的應(yīng)用進行了深入地研究,主要工作包括:1、針對在醫(yī)學(xué)圖像分割時,采用交互式方式得到的訓(xùn)練樣本數(shù)通常是有限的,以致傳統(tǒng)模式分類方法對漸進性的前提條件往往得不到滿足.本文結(jié)合醫(yī)學(xué)圖像中目標具有分散的特點,借助支持向量機良好的分類性能,特別在小樣本、非線性及高維特征空間中具有較好的推廣能力,將支持向量機方法應(yīng)用

2、于醫(yī)學(xué)圖像分割.2、結(jié)合磁共振圖像中提取的圖像特征可用高斯分布較好地近似描述的特點及高斯核函數(shù)在其它領(lǐng)域中成功的應(yīng)用,本文在利用支持向量機方法對醫(yī)學(xué)圖像進行分割時,選擇高斯徑向基函數(shù)作為核函數(shù).3、研究了紋理與灰度組合以及區(qū)域象素灰度兩組圖像特征.在提取紋理與灰度組合特征時,將由灰度共生矩陣提取的6種紋理統(tǒng)計特征(對比度、相關(guān)性、和均值、和方差、和熵、差熵)及3種灰度特征(象素灰度,象素灰度的中值濾波值及平均值)作為醫(yī)學(xué)圖像腦組織分類時

3、紋理與灰度組合的圖像特征.在提取區(qū)域象素的灰度特征時,除了象素本身的灰度,還提取了該象素鄰域內(nèi)所有象素的灰度.4、針對傳統(tǒng)支持向量機方法中存在對噪聲或野值敏感的問題,依據(jù)特征空間中樣本之間的緊密度,提出了一種基于緊密度的模糊支持向量機方法.5、針對傳統(tǒng)支持向量機方法不提供后驗概率輸出的問題,結(jié)合醫(yī)學(xué)圖像分類時不確定性的特點,提出一種對傳統(tǒng)支持向量機方法進行輸出概率建模的直接擬合方法.6、針對支持向量機在大規(guī)模樣本學(xué)習(xí)時,學(xué)習(xí)速度慢,需要