一种基于PSO-SVM算法的B超图像智能识别方法及装置制造方法及图纸

本发明专利技术涉及人工智能领域，揭露一种基于PSO

An intelligent recognition method and device of B-ultrasonic image based on PSO-SVM algorithm

【技术实现步骤摘要】
一种基于PSO
‑
SVM算法的B超图像智能识别方法及装置


[0001]本专利技术涉及人工智能领域，尤其涉及一种基于PSO
‑
SVM算法的B超图像智能识别方法、装置、电子设备以及计算机可读存储介质。

技术介绍

[0002]B超图像识别是指对医学领域中通过B超采集设备采集的图像进行分类的过程，通过对B超图像的识别可以辅助医生进行更好的疾病诊断。
[0003]目前，B超图像识别通常是采用人工神经网络的方法实现，但是人工神经网络往往只有存在足够多的训练样本的前提下才具有较好的分类效果，但是在医学领域中，B超图像的训练样本通常是有限的，因此无法保障后续B超图像识别的识别准确性。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提供了一种基于PSO
‑
SVM算法的B超图像智能识别方法、装置、电子设备以及计算机可读存储介质，可以提高B超图像的识别准确性。
[0005]第一方面，本专利技术提供了一种基于PSO
‑
SVM算法的B超图像智能识别方法，包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PSO
‑
SVM算法的B超图像智能识别方法，其特征在于，所述方法包括：获取训练B超图像，识别所述训练B超图像的目标区域，并提取所述目标区域的空域纹理特征和频域纹理特征；将所述空域纹理特征和所述频域纹理特征进行特征归一化，得到目标纹理特征；根据所述目标纹理特征，构建所述训练B超图像的分类超平面函数，并利用预设的粒子群算法对所述分类超平面函数进行优化，得到优化分类函数；利用所述优化分类函数识别待检测B超图像的图像类别，得到所述待检测B超图像的识别结果。2.根据权利要求1所述的方法，其特征在于，所述识别所述训练B超图像的目标区域，包括：将所述训练B超图像输入至预先训练好的区域检测模型中，以通过所述区域检测模型中的卷积层对所述训练B超图像进行特征提取，得到特征图像，并利用所述区域检测模型中的标准层对所述特征图像进行标准化，得到标准图像；利用所述区域检测模型中的池化层对所述标准图像进行池化处理，得到池化图像；利用所述区域检测模型中的全连接层识别所述池化图像的区域类别，根据所述区域类别，利用所述区域检测模型中的输出层输出所述训练B超图像的目标区域。3.根据权利要求1所述的方法，其特征在于，所述提取所述目标区域的空域纹理特征和频域纹理特征，包括：确定所述目标区域的纹理特征参数，根据所述纹理特征参数，构建所述目标区域的空域共生矩阵，根据所述空域共生矩阵，提取所述目标区域的空域纹理特征；对所述目标区域进行小波分解，得到分解图像，计算所述分解图像的全局特征，利用预设的降维算法删除所述全局特征的冗余特征信息，得到所述目标区域的频域纹理特征。4.根据权利要求1所述的方法，其特征在于，所述将所述空域纹理特征和所述频域纹理特征进行特征归一化，得到目标纹理特征，包括：确定所述空域纹理特征和所述频域纹理特征的归一化区域；利用预设的归一化算法分别将所述空域纹理特征和所述频域纹理特征映射到所述归一化区域中，得到空域归一化特征和频域归一化特征；将所述空域归一化特征和所述频域归一化特征作为所述目标纹理特征。5.根据权利要求1所述的方法，其特征在于，所述根据所述目标纹理特征，构建所述训练B超图像的分类超平面函数，包括：将所述目标纹理特征映射到预设的向量坐标中，得到特征向量坐标；计算所述特征向量坐标中任意两个向量坐标之间的坐标距离，并选择所述坐标距离最小...

【专利技术属性】
技术研发人员：高博，李雯玥，刘近近，胡鑫，王晓庆，周建群，季敏娴，
申请(专利权)人：广东省第二人民医院广东省卫生应急医院，
类型：发明
国别省市：