基于边缘点检测特征提取的医学图像分类方法

摘要

随着各种影像设备在医学诊断中的广泛应用，医学图像处理技术对医学科研及临床实践的作用和影响日益增大，其结果使临床医生对人体内部病变部位的观察更直接、更清晰，确诊率也更高。因此，医学图像处理技术一直受到国内外有关专家的高度重视，基于医学影像的计算机辅助诊断也迅速发展起来。计算机辅助诊断可以提高放射科医生诊断的准确率，协助医生对医学图像进行判断和识别。在特征提取的基础上进行模式分类是基于医学影像的计算机辅助诊断的重要步骤，所以本文针对图像特征提取和分类的问题展开研究。
　　 针对处于边缘上的点能很好地显示图像特性的特点，本文提出了一种边缘点检测的方法，旨在简化图像数据，找到代表性的点集来代表图像。同时，图像的边缘检测是图像处理中的重要方向之一，故本文采用分水岭算法和模糊C均值聚类相结合的方法来找到边缘点，不仅可以消除分水岭算法带来的过分割问题，还可以解决模糊C均值算法递归调用运算速度过慢的问题。实验表明这种方法取得了很好的效果。
　　 对于特征提取问题，由于特征提取的质量是决定分类性能的关键因素，所以选择一种适当的特征提取方法至关重要。描述图像特征的方法有很多种，如颜色特征、纹理特征、形状特征等。因为边缘点具有方向性，较其他方法能够更准确地描述图像特征，所以本文采用边缘点邻域方向测度的方法对图像进行特征提取。
　　 对于图像分类问题，本文将支持向量机的机器学习方法引入其中。分析了支持向量机的理论基础和数学模型，特别是支持向量机的推广能力和核函数理论，在此基础上应用支持向量机方法、采用医学图像库中的图像提取出来的特征对样本进行分类，并讨论了核函数及各个参数的选择。
　　 大量的理论分析和实验、特别是对比实验证明，本文提出的基于边缘点特征提取的图像分类方法具有良好的分类结果。

目录

文摘

英文文摘

第1章 引言

1.1 课题背景

1.2 问题提出及描述

1.3 相关工作

1.3.1 特征提取的研究现状

1.3.2 分类方法的研究现状

1.3.3 本文研究思路

1.4 本文的组织结构

第2章 图像预处理

2.1 医学图像特点

2.2 图像增强

2.2.1 直方图处理

2.3 数学形态学方法

2.3.1 二值数学形态学运算

2.3.2 灰度级图像扩展

2.4 本章小结

第3章 边缘点检测

3.1 分水岭介绍

3.2 分水岭变换定义

3.2.1 测地距离

3.2.2 连续区域内分水岭变换的定义

3.2.3 离散域内分水岭变换的定义

3.2.4 控制标记符的分水岭分割

3.3 聚类分析

3.3.1 模糊C均值聚类

3.3.2 FCM算法描述

3.4 本章小结

第4章 特征提取

4.1 图像颜色特征

4.2 图像纹理特征

4.2.1 统计法

4.2.2 结构法

4.2.3 模型法

4.2.4 频谱法

4.3 图像形状特征

4.4 图像方向测度

4.5 本章小结

第5章 基于支持向量机的图像分类

5.1 统计学习理论

5.2 支持向量机简介

5.3 SVM算法介绍

5.3.1 线性可分

5.3.2 近似线性可分

5.3.3 非线性可分

5.3.4 核函数的选择

5.4 SVM在图像分类中的应用流程

5.5 本章小结

第6章 实验结果与分析

6.1 预处理

6.2 边缘点检测

6.3 特征提取

6.4 SVM分类

6.5 本章小结

第7章 结论与展望

参考文献

致谢

攻硕期间参加的项目及发表的论文