基于图像子块支持向量机的脑血流信号计算方法

摘要

本发明公开一种基于图像子块支持向量机的脑血流信号计算方法，包括采集控制图像和标记图像对步骤；根据上一步得到的n个控制图像和标记图像对，对图像中的每一个体素逐一计算脑血流值，从而得到最终的脑血流图像步骤。本发明所述的基于图像子块支持向量机的脑血流信号计算方法，基于图像子块，可以使数据特征维数自然降低；此外，图像子块的引入使得脑血流计算过程可以考虑局部图像信息，得到对于局部也能优化的结果。

主权项

基于图像子块支持向量机的脑血流信号计算方法，其特征在于包括如下步骤：步骤1、首先采集得到n个控制图像和标记图像对，记为{C_i,L_i},i＝1,2,....,n，其中C_i表示第i个控制图像，L_i表示与C_i相对应的标记图像；步骤2、根据上一步得到的n个控制图像和标记图像对，对图像中的每一个体素逐一计算脑血流值，从而得到最终的脑血流图像，具体包括如下子步骤：步骤1)、对于待计算的目标体素，分别在每个控制图像和标记图像中取出以该目标体素位置为中心的一个图像子块，从控制图像中取出的图像子块的类别标记为+1，从标记图像中取出的图像子块的类别标记为‑1，接着将取出的图像子块拉成一个列向量p_k作为特征向量，对应的类别记为l_k(l_k∈{‑1,+1})，得到一个训练数据集{p_k,l_k},k＝1,2,...,2n，利用该训练数据集计算对应的脑血流；步骤2)、对每个特征向量p_k进行标准化得到x_k，使得p_k均值为0，标准差为1：$x_k=\frac{p_k-mean\left(p_k\right)}{std\left(p_k\right)};$步骤3)、利用非线性支持向量机对数据集{x_k,l_k}进行分类：${\min }_{w,b,\xi }\frac{1}{2}\left|\right|w|{|}^2+{\mathrm{C\Sigma }}_{i=1}^N{\xi }_k---\left(1\right)$s.t.l_k(w·φ(x_k)+b)≥1‑ξ_k,k＝1,2,...,2n   (2)ξ_k≥0,k＝1,2,...,2n   (3)其中，C是一个平衡参数，φ(·)是一个非线性变换，w,b分别是超平面的法向量和截距，ξ_k是一个松弛变量；步骤4)、优化公式(1)—(3)的对偶问题：${\min }_{\alpha }\frac{1}{2}{\Sigma }_{i=1}^{2n}{\Sigma }_{j=1}^{2n}{\alpha }_i{\alpha }_j{l}_i{l}_{j}K\left(x_i,x_j\right)-{\Sigma }_{i=1}^{2n}{\alpha }_i---\left(4\right)$$\begin{array}{cc}s.t.& {\Sigma }_{i=1}^{2n}{\alpha }_i{y}_i=0\end{array}---\left(5\right)$0≤α_i≤C，i＝1,2,...,2n   (6)其中，α_k是拉格朗日乘子，K(x_i,x_j)是正定核函数，采用二次多项式核，求解(4)‑(6)得到拉格朗日乘子α_k，k＝1,2,...,2n的值，于是得到图像子块对应的脑血流信号