肝脏超声图像是临床上对肝病进行诊断的重要依据,因此,肝脏超声图像对于肝病诊断具有十分重要的意义。但是,临床上采集到的图像具有回声不均匀、病变边缘模糊等缺点,肝脏疾病的无创诊断容易受到影响。传统的计算机辅助诊断中使用的特征提取算法不能很好地描述超声环境下肝脏图像的特点,而且识别的准确率比较低。针对上述问题,本文对基于稀疏表示的肝病识别方法做了较为深入的研究,并且针对目前存在的问题,提出了一些新的解决思路。本文的主要工作有以下几个方面:(1)研究了多种特征提取算法,例如:LBP、HOG、Gabor小波和GLCM等,了解了不同的特征提取算法的特性,选取适合描述肝脏超声图像特征的算法。并且将不同的特征进行融合并使用随机森林算法进行了特征筛选,选取最能描述图像特征的维度。此外,使用改进的支持向量机模型,引入变分知识对其模型进行求解,同时筛选出最具表示性的特征和特征中能有效描述图像的维度。这两种方法均既起到了降低维度的作用,提高运算速度,又能更好地描述肝脏图像特征,保证较高的识别准确率。(2)优化字典的性能,设计出表示能力强的字典。基于SGK算法的字典训练方法,既有很强的稳定性,又有很高的执行效率。设计优化的字典,使用SGK算法,训练出误差最小,表示能力最强的字典,以此提高识别的准确率。(3)提出利用稀疏表示方法与支持向量机或稀疏表示分类思想相结合的分类方法,将得到的特征向量或者利用稀疏表示算法训练得到的矩阵输入SVM或者利用稀疏表示分类原理进行分类。实验结果表明,使用稀疏表示分类原理得到的分类结果较其他方法更好。