支持向量机及其在医学图像可视化中图像分割的应用研究

摘要

支持向量机(Support Vector Machines，简称SVM)是Vapnik等人提出的一类新型机器学习方法。由于其出色的学习性能，该技术己成为机器学习界的研究热点，并在很多领域都得到了成功的应用，如人脸检测、手写体数字识别、文本自动分类等。但是作为一种新兴技术，SVM在很多应用领域的研究还有待探索和完善。例如：训练算法缺乏容噪性能、训练集大小具有上界、训练算法的完善、不支持增量学习、缺乏和先验知识的整合能力等等。这些问题的存在，使得SVM在很多领域的应用受到了很大限制。 本文提出了用基于支持向量机的方法来实现核磁共振左心室图像的自动分割方法。首先用经过训练的支持向量机(SVM)在二维图像中进行识别和定位左心室目标区域并进一步找出边缘区域，采用一种改进的训练方法来提高SVM识别率，然后在足够准确的区域中利用梯度方法找出边缘点，并把他们连接起来，找出目标的边缘，达到分割的目的。实验表明，这种分割方法降低了SVM对背景图像的敏感度，提高了SVM识别率。

目录

文摘

英文文摘

声明

1绪论

1.1引言

1.2医学图像可视化的研究现状

1.3支持向量机技术及其应用

2理论基础

2.1统计学习理论

2.1.1机器学习理论

2.1.2统计学习理论

2.1.3结构风险最小化理论

2.2 SVM理论

2.2.1最优超平面

2.2.2支持向量机

2.2.3支持向量回归机(SVR)与多类分类问题

2.2.4核函数

3支持向量机在医学图像分割中的应用

3.1图像分割技术

3.1.1基于区域的分割方法

3.1.2基于边界的分割方法

3.1.3基于区域和边界技术相结合的分割方法

3.1.4基于特定理论的分割方法

3.1.5医学图像的分割技术

3.2图像特征提取技术

3.2.1纹理特征提取

3.2.2基于圆形窗口区域象素灰度特征提取

3.3训练样本选取技术

3.3.1自动方式选取

3.3.2交互方式选取

3.4 SVM重要参数的确定

3.5基于模糊支持向量机方法的图像分割

3.5.1模糊集的基本概念

3.5.2模糊支持向量机

3.5.3模糊支持向量机在图像分割中的应用

4基于SVM核磁共振左心室图像检测与分割的应用研究

4.1核磁共振左心室图像的分割方法研究

4.2基于SVM方法心脏MRI的自动分割实验

4.3 SVM训练与分割过程的改进和总结

5结论及建议

5.1本文总结

5.2进一步的工作

致谢

参考文献