论文部分内容阅读
在医学图像处理中,医学图像分割始终是非常重要的也是非常困难的研究课题。目前各种图像分割理论只是针对某一特定的图像分割目的而言,能够得到较好的分割效果,没有一个万能的分割方法使得各种分割目的都能满足。传统的模式分类方法以经验风险最小化为归纳原则,只有当训练样本数趋于无穷时,其性能才能达到理论上的最优。然而在医学图像分割中,训练样本通常是有限的,所以传统模式分类方法通常难以取得很好的结果。
支持向量机方法在小样本、非线性及高维特征空间中具有良好的分类性能,针对医学图像分割的特点,基于支持向量机的方法能取得较好的分割效果。支持向量机的分割方法在多维特征空间下,如果增加特征维数,将会增加了计算难度、分类的复杂度,同时不能确定哪些图像特征对图像分割是有效的。针对这个问题,本文在利用粗糙集的知识约简理论,在不损失有效信息的情况下对图像特征属性进行预处理,从图像特征特征属性表中删除冗余的属性和冲突对象,降低支持向量机的特征向量维数和支持向量机分类过程中的复杂度,从而减少计算难度、节约存储空间。
本文以基于支持向量机的CT肺部图像分割为实例,利用粗糙集的知识约简理论对选取的样本图像特征向量表进行特征约简后,使得支持向量机的特征向量维数降低,有效地剔除特征向量中的冗余特征属性。通过这种结合算法减少了支持向量机在图像分割中的复杂性和计算难度,并且取得较好的图像分割效果。