目前,在脑瘤图像模式识别领域,主要是运用神经网络分类器来做分类识别。基于所选取模式特征途径的不同,它可以分为图像的组织分析法、细胞的空间分布法和细胞图方法。后者比前两者识别率高,但计算量大。但在模式识别领域,支持向量机理论逐步完善。它用于分类具有相当高的正确率,尤其在两类识别方面。本文提出采用支持向量机分类器,选取细胞图方法来作脑瘤细胞图像模式的分类识别。 第一步,本文基于组织图像做K-均值聚类和标号,从而确定细胞与周围环境,得到细胞图像。第二步,在细胞图像上插入网格,通过计算网格成为细胞的概率,并对点作阈值化。连接结点,并对边作阈值化,从而得到细胞图。最后一步,通过计算细胞图的度量指标,提取组织图像的模式特征,然后用支持向量分类机学习算法来做模式分类识别。本文用它来区分(i)脑瘤细胞图像与正常细胞图像和(i i)脑瘤细胞图像与炎症细胞图像。 实验的结果表明,在支持向量机分类识别中,细胞图方法比图像的组织分析法具有更好的度量和分类效果。对于(i),前者和后者的正确率分别为97.15%和92.35%;对于(i i),前者和后者的正确率分别为94.05%和87.30%。而采用神经网络作分类识别,对于(i),前者和后者的正确率分别为96.35%和87.75%,而对于(i i),前者和后者的正确率分别为87.35%和82.75%。这表明在脑瘤细胞图像模式识别领域,支持向量分类机比神经网络具有更好的分类识别效果,从而验证了所提算法的合理性。