深度置信网络对孤立性肺结节良恶性的分类

针对肺部CT图像中孤立性肺结节(SPN)良恶性分类问题,寻求能够有效表示SPN图像的特征,通过适合的分类器实现对SPN良恶性的准确判别。由SPN图像的多分辨率直方图得到768维的特征空间,并将该类特征用于支持向量机(support vector machine,SVM)分类器进行训练,最后取得了令人满意的分类效果。结合深度学习领域中相关知识,将深度置信网络(deep belief network,DBN)用于SPN良恶性分类任务当中。将从肺部CT图像中分割出的SPN图像规整化作为DBN的输入,进行无监督训练;用带有良恶性类标的SPN图像对网络进行微调得到最终的DBN模型;用训练好的DBN模型在测试图像集上进行分类。在实验中选择肺结节患者480例,提取600个SPN图像作为实验数据。将新提出的DBN模型与基于纹理特征和多分辨率直方图特征的SVM模型进行对比,在不考虑医学象征的情况下,DBN模型的识别准确率高达86%,较SVM分类器的分类性能有了显著提升。     

基于Pseudo-zernike不变矩的肺部图像特征提取及分类研究

为准确、快速地分析肺部图像的特征,提出了一种基于Pseudo-zernike不变矩的肺部特征分析方法.通过对肺部图像进行预处理和基于Pseudo-zernike不变矩的特征提取,利用具有良好识别性能的SVM分类器对提取的肺部图像特征值做分类研究.实验结果表明,该方法能够很好地表征肺部图像的特征,具有良好的分类准确率.     

基于Pseudo—zernike不变矩的肺部图像特征提取及分类研究

为准确、快速地分析肺部图像的特征,提出了一种基于Pseudo—zernike不变矩的肺部特征分析方法。通过对肺部图像进行预处理和基于Pseudo-zernike不变矩的特征提取,利用具有良好识别性能的SVM分类器对提取的肺部图像特征值做分类研究。实验结果表明,该方法能够很好地表征肺部图像的特征,具有良好的分类准确率。     

甲状腺结节超声图像特征提取及识别

采用多特征融合方法鉴别甲状腺结节超声图像的良恶性。首先用多尺度LBPV模型提取结节的局部纹理特征,然后与Tamura模型提取的全局纹理特征相结合,从全局和局部两方面对甲状腺结节的纹理特征进行了细致的描述。又提取了纵横比、圆形度、紧致度等形状特征,将上述特征进行融合并利用主成分分析法PCA对融合后的特征进行降维。实验结果表明,模型提取的特征用于分类识别时,较上述任一单一模型所提取特征用于分类时能获得更高的识别率。     

基于水平集方法的肿瘤图像识别

图像处理在计算机辅助医疗诊断系统中有着广泛的应用,本文在水平集方法的基础上,提出了一种肿瘤图像识别方法。首先,采用改进的水平集方法对肿瘤图像进行分割,获得肿瘤轮廓特征;其次,提取肿瘤的轮廓特征参数,对贝叶斯分类器进行训练,然后用训练的分类集进行肿瘤良恶性分类识别。通过对CT图像的肝脏肿瘤进行良恶性诊断,显示所开发的计算机辅助诊断系统是有效的。     

基于Curvelet变换和支持向量机的磁瓦表面缺陷识别方法

针对磁瓦表面缺陷对比度低、自动识别困难的问题,作者提出了一种对磁瓦图像应用快速离散Curvelet变换(FDCT)提取特征,并用支持向量机(SVM)分类器进行分类的磁瓦微小缺陷自动识别方法。该方法首先对磁瓦图像做分块处理,并对各分块图像应用FDCT,计算分解系数的l2范数,获得磁瓦不同方向的纹理频域特征;然后以归一化的分解系数l2范数作为支持向量机分类器的特征向量,对图像做出分类。对不同缺陷占比的图像进行实验测试,结果显示,当缺陷部分占分块图像的比例在1/64以上时正确识别率大于83%。     

基于mRIVIR和SVM的弹性图像特征选择与分类

为客观的评价弹性图像,利用图像处理与模式识别技术进行分析．首先通过彩色变换获取弹性信 息,然后提取弹性图像用户感兴趣区域的一阶统计特征和纹理特征,采用“最小冗余最大相关”( mRMR)算 法选择优化的特征,最后使用带有核函数的SVM分类器对弹性图像进行分类．实验结果表明：该方法具有较 高的准确率(92%)．采用计算机辅助诊断技术对弹性图像进行定量分析可有助于提高诊断准确率     

基于最优特征加权的图像分类算法

通过研究图像分类过程中特征选择和分类器构建问题,提出了一种基于最优特征加权的图像分类算法.首先提取图像的颜色和纹理特征,接着采用混沌粒子群优化算法对特征的权值进行求解,确定每一个特征对图像分类的贡献,最后采用相关向量机对加权的图像样本集进行学习,构建分类器,从而实现图像的分类.实验结果表明,相对于当前较流行的图像分类模型,该模型不仅能够提高图像的分类准确率,而且能够大幅度减少了图像的分类时间,具有一定的实际应用价值.     

基于支持向量机的珍珠多特征分类方法

珍珠企业在珍珠分类的过程中需要同时考虑珍珠的形状、纹理和色泽等特征信息,传统珍珠分类方法只针对单一特征对其进行分类,因此提取珍珠的多个特征对其进行分类有着现实意义.在利用单目多视角摄像装置直接获取5个不同视角的珍珠表面图像并进行预处理之后,参考实际人工分类的步骤,用珍珠边缘轮廓得到其傅里叶级数的系数作为形状特征,并用灰度共生矩阵得到珍珠的全局纹理特征,此外还设计了一种新的局部纹理特征提取方法;通过从珍珠的多个视图中提取珍珠的形状特征、全局纹理特征和局部纹理特征,进而构建支持向量机分类器,实现二分类.实验结果表明:所提出的特征提取方法有效,在1100颗测试珍珠上分类精度达到85.73%.     

乳腺超声中多普勒特征的提取及应用

为弥补以往单纯利用乳腺超声图像中灰度信息进行分类的过程中,易受噪声和其他因素影响而造成误分的缺点,提出了一种基于纹理特征和多普勒特征相结合的乳腺超声诊断系统.针对乳腺超声图像中的动态彩色多普勒信息建立数学模型进行特征提取,并结合图像中的纹理信息进行肿瘤的良恶性分类.实验结果表明,该系统的诊断准确性为92.30%,敏感性为91.42%,特异性为93.33%,假阳性率为94.11%,假阴性率为90.32%,接收特性AUC面积为0.9523,性能优于单纯利用纹理特征的分类结果,从而证明其在提高分类精度方面的有效性.