基于支持向量机的X线图像分割技术研究

论文摘要

骨科X线图像是骨骼诊断的主要依据,但是一直以来X线图像都是通过人工方法来判读的,判断结果常由于人为主观原因造成诊断错误。随着图像处理技术和计算机技术的发展,人们提出利用计算机辅助判读X线图像,在一定程度上能够提高诊断的效率和准确率。从肌肉组织中分割出骨骼组织是计算机辅助判读的基础,本文主要针对X线图像研究如何正确地从X线图像中提取出骨骼组织。由于X线图像的区域灰度不均匀和对比度比较低,很难从X线图像中分割出骨骼组织。本文提出基于梯度的X线图像分割方法和基于支持向量机(SVM)的X线图像分割方法两种方式来完成图像的分割。基于梯度的X线图像分割方法中,利用目标边界梯度较大的特点,仅仅对边界像素进行处理。通过寻找梯度图像中的最大梯度点作为搜索梯度图的起始点,根据目标的个数确定跟踪的次数,每分割出一个目标,对分割出的目标边界像素的八邻域进行置零处理。通过三轮跟踪,实现了X线图像的分割。这种方法对初始点和跟踪方向特别敏感。基于支持向量机的X线图像分割中,设计了一种基于支持向量机的预处理方法,包括图像增强和目标区域定位两部分。然后针对支持向量机的三个问题：样本选择、特征提取、核函数选择和参数调整进行了讨论,并计算了不同情况下的分割错误率。最终采用模糊C均值聚类的方式自动选择训练样本,提取九维邻域灰度值作为特征向量,实现了X线图像骨骼组织的分割。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景
• 1.2 研究目的和意义
• 1.3 所做工作及结构安排
• 第2章 基于梯度的X线图像分割
• 2.1 图像分割理论
• 2.2 传统图像分割方法概述
• 2.2.1 边缘检测法
• 2.2.2 阈值法
• 2.2.3 区域生长和分裂合并
• 2.3 X线图像分割实例分析
• 2.3.1 基于边缘检测的X线图像分割分析
• 2.3.2 基于阈值法的X线图像分割分析
• 2.3.3 基于区域生长法的X线图像分割分析
• 2.4 基于梯度的X线图像分割
• 2.4.1 基于梯度的X线图像分割预处理
• 2.4.2 基于梯度的X线图像分割算法设计
• 2.4.3 分割试验结果分析与对比
• 2.4.4 基于梯度的X线图像分割算法分析
• 2.5 本章小结
• 第3章 基于支持向量机的图像分割理论
• 3.1 基于新理论和新方法的图像分割算法概述
• 3.1.1 形变模型方法
• 3.1.2 基于数学形态学的方法
• 3.1.3 聚类法
• 3.1.4 分类算法
• 3.2 X线图像分割实例分析
• 3.2.1 基于形变模型的X线图像分割分析
• 3.2.2 基于分水岭算法的X线图像分割分析
• 3.2.3 基于聚类算法的X线图像分割分析
• 3.3 支持向量机理论
• 3.4 核函数
• 3.5 支持向量机与图像分割的关系
• 3.6 本章小结
• 第4章 基于支持向量机的X线图像分割
• 4.1 基于支持向量机的图像分割算法设计
• 4.2 X线图像增强
• 4.2.1 X线图像特点分析
• 4.2.2 X线图像增强算法
• 4.2.3 增强结果分析
• 4.2.4 图像增强算法对比和评价
• 4.3 骨骼区域定位
• 4.3.1 图像二值化
• 4.3.2 骨骼定位
• 4.4 基于支持向量机的X线图像分割
• 4.4.1 训练样本选择
• 4.4.2 特征提取
• 4.4.3 核函数
• 4.4.4 分割评价
• 4.4.5 实验结果与分析
• 4.5 核函数分析
• 4.6 形态学后处理
• 4.7 边缘提取
• 4.8 分割结果分析
• 4.9 本章小结
• 第5章 总结与展望
• 参考文献
• 攻读硕士学位期间发表论文情况
• 致谢