基于支持向量机的MR闹图像分割研究

论文摘要

医学图像分割是医学图像研究的热点问题之一。尽管目前的分割方法达到了一定效果,但是以往的分割技术多是基于传统统计学理论的方法和样本数目趋于无穷大时的渐进理论,在对待高维特征、样本数较少等问题中很难获得好的效果,同时它们的推广能力也差。而近年来最小二乘支持向量机的理论和应用发展迅速,取得了良好的效果。最小二乘支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小化原则基础上,它是根据有限样本信息在模型的复杂性和学习能力之间寻求最佳折衷,有良好的推广能力。本文将最小二乘支持向量机应用于MR脑图像的分割。采用加拿大麦吉尔大学的BrainWeb模拟脑部MR不同噪声级别的图像进行实验,验证了最小二乘支持向量机对不同噪声级别的MR脑图像均具有良好的分割性能。在进行特征选择时,根据MR脑图像的特点,提出了一种对两种区域的像素特征取平均值的区域选择方法。首先,分别提取5×5圆形区域和7×7扩圆形区域的像素特征包括纹理特征和灰度特征两部分；然后,取两者的平均值作为待输入的特征向量。最后以此向量为基础建立样本模型,对目标进行分类处理,完成对核磁共振脑图像的分割。通过实验分析训练样本数目对分割结果的影响,验证了最小支持向量机方法在小样本下的应用特性。传统统计学习方法寻找的是样本数趋于无穷大时的最优值,而支持向量机方法得到的是有限样本下的最优解,其推广能力优于传统的学习方法。将最小二乘支持向量机分割方法与其他分割方法进行比较,显示了最小二乘支持向量机分割方法的优势。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 选题背景及研究意义
• 1.2 支持向量机国内外研究现状
• 1.3 医学图像分割算法研究现状
• 1.4 本文主要内容和结构
• 2 医学图像分割
• 2.1 医学图像分割涵义
• 2.1.1 图像分割的定义
• 2.1.2 医学图像分割的定义
• 2.2 医学图像分割技术的发展过程
• 2.3 医学图像分割技术的分类
• 2.3.1 基于区域的方法
• 2.3.2 基于边缘的方法
• 2.3.3 结合特定理论的方法
• 2.4 医学图像分割前景
• 2.5 本章小结
• 3 统计学习理论及支持向量机
• 3.1 机器学习
• 3.2 统计学习理论主要内容
• 3.2.1 VC维理论
• 3.2.2 关于泛化误差界的问题
• 3.2.3 结构风险最小化
• 3.3 支持向量机
• 3.3.1 最优分类面问题
• 3.3.2 线性分类器与非线性分类器的实现
• 3.3.3 支持向量机问题
• 3.3.4 SVM解决多类问题
• 3.4 最小二乘支持向量机
• 3.5 本章小结
• 4 最小二乘支持向量机在MR脑图像分割中的应用
• 4.1 MR图像特点
• 4.2 MR脑图像分割算法
• 4.2.1 MR脑图像预处理
• 4.2.2 剔除非脑组织
• 4.2.3 纹理特征提取及归一化
• 4.2.4 SVM分类器的构建
• 4.3 本章小结
• 5 实验结果及对比分析
• 5.1 分割评价准则
• 5.2 核函数以及核参数选择
• 5.3 特征向量的约简
• 5.4 训练样本数的选择
• 5.5 不同噪声的MR脑图像分割结果
• 5.6 其他分割算法
• 5.6.1 基于边缘的分割算法
• 5.6.2 基于小波变换的分割算法
• 5.6.3 基于神经网络的分割算法
• 5.6.4 形态学分割算法
• 5.7 本章小结
• 6 结论
• 参考文献
• 攻读硕士学位期间发表的论文
• 致谢