发明名称 |
基于支持向量机MRI图像分割的肺部肿瘤识别方法 |
摘要 |
本发明涉及图像处理技术领域,尤其涉及一种基于支持向量机MRI图像分割的肺部肿瘤识别方法。它主要是增加了一个非线性优化模型,将已经分割好的图像经过非线性优化模型优化,采用这种方法得到的分割图像准确度较高,进而使得肺部肿瘤的识别准确度更高。 |
申请公布号 |
CN105225234A |
申请公布日期 |
2016.01.06 |
申请号 |
CN201510595066.4 |
申请日期 |
2015.09.18 |
申请人 |
浙江工商大学 |
发明人 |
傅均;汤旭翔;陈柳柳;赵帅 |
分类号 |
G06T7/00(2006.01)I |
主分类号 |
G06T7/00(2006.01)I |
代理机构 |
宁波市鄞州甬致专利代理事务所(普通合伙) 33228 |
代理人 |
李迎春 |
主权项 |
一种基于支持向量机MRI图像分割的肺部肿瘤识别方法,其特征在于,它包括以下步骤:(1)、建立已知肺部MRI图像的标准信噪比数据合集;(2)、获取待分割的肺部MRI图像,并且将其转换为灰度图像;(3)、利用SVM的边缘定位法对步骤(2)得到的灰度图像进行边缘检测;(4)、对步骤(3)检测出的各条边缘进行特征提取,然后构建SVM分类器对提取的特征参数进行边缘定位,分类出肺部不同组织边缘;(5)、从步骤(4)获得的肺部不同组织边缘的3*3邻域,随机选取多个像素值在230‑250范围内的点作为生长点,并设定一个预设阈值T;(6)、采用步骤(5)得到的生长点为核心,判断其3*3的邻域内的非生长点是否满足相似性原则,若满足则将该非生长点加入到生长点合集中,若不满足则舍去该非生长点,直到所有的非生长点都判断完毕后,将生长区域分割出来得到肺部MRI分割图像;(7)、将步骤(6)得到的分割图像以3*3邻域的模式,分块依次输入到非线性优化模型,得到输出信噪比数据合集,其中所述的非线性优化模型如下:<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><mfrac><mrow><mi>d</mi><mi>s</mi></mrow><mrow><mi>d</mi><mi>t</mi></mrow></mfrac><mo>=</mo><mi>A</mi><mo>×</mo><mi>s</mi><mi>i</mi><mi>n</mi><mrow><mo>(</mo><mn>2</mn><msub><mi>πf</mi><mn>0</mn></msub><mi>t</mi><mo>+</mo><mi>ψ</mi><mo>)</mo></mrow><mo>+</mo><mi>i</mi><mi>m</mi><mi>g</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>+</mo><mi>n</mi><mi>s</mi><mo>-</mo><msup><mi>ms</mi><mn>3</mn></msup><mo>+</mo><msqrt><mrow><mn>2</mn><mi>α</mi></mrow></msqrt><mi>ξ</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>;</mo></mrow>]]></math><img file="FDA0000805520600000011.GIF" wi="932" he="111" /></maths>式中,A为信号幅度;f<sub>0</sub>为周期信号频率;ψ为周期信号初相位;s为布朗粒子运动坐标;t为布朗粒子运动时间;A×sin(2πf<sub>0</sub>t+ψ)为随机共振周期性输入信号函数;img(t)为3*3邻域输入图像;m和n为双稳态势垒实参数;α为噪声强度;ξ(t)为均值为0的高斯白噪声,其自相关函数E[ξ(t)ξ(0)]=2αδ(t),其强度为α,δ(t)为单位脉冲函数;(8)、将步骤(7)得到的输出信噪比数据合集与步骤(1)得到的标准信噪比数据合集相比,若相似度≥90%,在判断优化成功;若相似度<90%,则判断优化不成功,返回步骤(2)继续进行分割与优化。 |
地址 |
310000 浙江省杭州市西湖区教工路149号 |