基于贝叶斯粗糙集和布谷鸟算法的高维特征选择算法制造技术

本发明专利技术公开了一种基于贝叶斯粗糙集和布谷鸟算法的高维特征选择算法，包括：获取肺部肿瘤图像，并进行目标轮廓分割，得到分割后的ROI图像；提取分割后的ROI图像的高维度特征分量，并基于特征分量构建包含特征属性的决策信息表；采用BRSGA算法对原始特征空间进行约简，得到最优特征子集，利用CS算法对SVM的惩罚因子和核函数参数进行优化，并将约简后的特征子集输入至优化后的SVM，得到分类识别结果。本发明专利技术通过遗传算法和BRS生成最优特征子集，在不降低分类精确度的前提下降低特征维度，摆脱了参数人工设置的束缚，减少了时间消耗。利用CS对SVM参数进行全局寻优，具有更有效的探索搜索空间，丰富了种群的多样性，具有良好的鲁棒性和较强的全局搜索能力。

【技术实现步骤摘要】
基于贝叶斯粗糙集和布谷鸟算法的高维特征选择算法
本专利技术涉及医疗影像识别
，更具体的说是涉及一种基于贝叶斯粗糙集和布谷鸟算法的高维特征选择算法。
技术介绍
随着计算机辅助诊断(computeraideddiagnosis,CAD)研究的发展，医学图像处理技术得到了飞速发展。但是医学图像本身的多模态性、灰度模糊性和不确定性使得单一模态的医学影像诊断过程中漏诊率和误诊率居高不下。因此，不同模态医学图像处理技术应运而生，按照不同的层次分为像素级、特征级和决策级。而特征级处理在保留重要信息的基础上又能实现信息量的压缩，处理速度更快。医学图像特征级处理过程中，特征之间的冗余性和相关性使得“维数灾难”成为一个NP-hard问题，特征选择是解决这一问题行之有效的措施，可以有效减少特征空间的维度，降低时间复杂度。高维特征选择过程存在的问题包括如何生成最优特征子集，效果如何评价，评价所用分类器的选择，分类器参数的优化等，针对这些问题，近年来专家学者们相继提出了很多算法。首先，变精度粗糙集(variableprecisionroughset,VPR本文档来自技高网...

【技术保护点】
1.一种基于贝叶斯粗糙集和布谷鸟算法的高维特征选择算法，其特征在于，包括如下步骤：/nS1、获取肺部肿瘤图像，并进行目标轮廓分割，得到分割后的ROI图像；/nS2、提取所述分割后的ROI图像的高维度特征分量，并基于所述高维度特征分量构建包含特征属性的决策信息表，所述特征属性与所述高维度特征分量中不同维度的特征相对应；/nS3、基于贝叶斯粗糙集模型，利用全局相对增益函数、属性约简长度和基因编码权值函数的加权求和构建适应度目标函数，结合遗传算子组合对所述特征属性进行约简，得到约简后的特征子集；/nS4、利用布谷鸟算法对SVM的惩罚因子和核函数进行优化，并将所述约简后的特征子集输入至优化后的SVM，...

【技术特征摘要】
1.一种基于贝叶斯粗糙集和布谷鸟算法的高维特征选择算法，其特征在于，包括如下步骤：
S1、获取肺部肿瘤图像，并进行目标轮廓分割，得到分割后的ROI图像；
S2、提取所述分割后的ROI图像的高维度特征分量，并基于所述高维度特征分量构建包含特征属性的决策信息表，所述特征属性与所述高维度特征分量中不同维度的特征相对应；
S3、基于贝叶斯粗糙集模型，利用全局相对增益函数、属性约简长度和基因编码权值函数的加权求和构建适应度目标函数，结合遗传算子组合对所述特征属性进行约简，得到约简后的特征子集；
S4、利用布谷鸟算法对SVM的惩罚因子和核函数进行优化，并将所述约简后的特征子集输入至优化后的SVM，得到分类识别结果。


2.根据权利要求1所述的一种基于贝叶斯粗糙集和布谷鸟算法的高维特征选择算法，其特征在于，所述S2中的高维度特征分量包括肺部肿瘤图像的形状特征、纹理特征和灰度特征。


3.根据权利要求1所述的一种基于贝叶斯粗糙集和布谷鸟算法的高维特征选择算法，其特征在于，所述S3具体包括如下步骤：
S31、构建适应度目标函数：
目标函数一为等价关系E相对于特征属性D的全局相对增益函数：采用全局相对增益衡量信息系统S的属性重要度；
目标函数二为属性约简长度：
其中，|C|为条件属性个数，Lr为r染色体中基因为1的个数；
目标函数三为基因编码权值函数：
其中，分子为非0、1的基因乘积和，分母为染色体...

【专利技术属性】
技术研发人员：周涛，陆惠玲，张飞飞，韩强，贺钧，田金琴，董雅丽，
申请(专利权)人：北方民族大学，
类型：发明
国别省市：宁夏;64