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。

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：$\frac{ds}{dt}=A\times sin(2{\mathrm{\pi f}}_{0}t+\psi )+img\left(t\right)+ns-{\mathrm{ms}}^3+\sqrt{2\alpha }\xi \left(t\right);$式中，A为信号幅度；f₀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(2πf₀t+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。