基于特征融合与SVM的内镜图像分类算法研究

摘要

针对内窥镜图像的分类问题,本文提出一种基于遗传算法的改进多特征融合方法,使用支持向量机作为分类器的内窥镜图像分类算法。首先,通过提取颜色矩和灰度共生矩阵获取图像的颜色和纹理特征;其次,通过VGG16和Resnet-152网络提取图像深层特征,进一步融合上述特征;最后,使用改进的遗传算法获取其中对提升分类性能影响较大的特征组合,通过这些特征组合训练支持向量机分类模型,并由所有模型投票获取最终分类指标。该遗传算法通过保留最优个体,采用基因交叉互换、种群分裂、融合和消亡以及种群投票制度获取优质个体。实验结果表明,本文提出的特征融合与SVM算法分类准确率为93.39%,精准度为94.55%,召回率为92.86%,F1得分为93.69,特异度为94.00%。相比于经典的特征融合方法,本文算法的分类性能有较大的提升,为内镜图像辅助诊疗及相关算法研究提供了一种新思路。