本发明专利技术公开了一种用于医学图像目标辨识的模糊ＳＶＭ反馈测度方法，包括１）对特征数据库中的医学图像数据进行窗宽窗位调整、滤波；２）提取步骤１）处理后的医学图像的硬特征；３）将步骤２）提取的硬特征转换成模糊特征，存入特征数据库中；４）选取一个待比较的医学图像并提取其模糊特征，计算待比较医学图像和特征数据库中的医学图像的模糊相似度，根据模糊相似度的大小，对特征数据库中的医学图像进行排序，按照由高到低的顺序输出Ｍ幅图像；５）将这Ｍ幅一次输出图像的模糊特征带入到基于模糊特征ＳＶＭ相关反馈模型中进行计算，重新计算待比较医学图像和特征数据库中所有医学图像的模糊相似度，再输出Ｎ幅图像。本发明专利技术可有效选取所需医学图像。
【技术实现步骤摘要】
本专利技术涉及一种图像处理方法，特别是涉及一种用于医学图像目标辨识的模糊 SVM (支持向量机，Support Vector Machine)反馈测度方法，该方法适用于医学图 像的检索。
技术介绍
随着医学数字化影像设备在临床中的日益广泛应用，电子病历和图像归档通信 系统(PACS)方面的技术不断发展，临床上每天都会产生大量图像数据(较大的 医院每天的图像数据有10G之多)。如何有效地组织、管理和输出医学图像是当前 迫切需要解决的问题。在临床中，在对未确诊临床图像进行诊断和在教学浏览研 究中，若能通过输出技术找出和该带病灶图像内容基本相同的己诊断图像，将大 大提高临床诊断的可靠性和资料收集的完整性。传统基于文本方式的数据库管理 方式己经渐渐无法满足这种需要，为此基于内容的图像输出(Content-BasedImage Retrieval, CBIR)技术成为近年来该领域中的研究热点。大多数CBIR系统使用图像的灰度、颜色、纹理全局特征，这些特征能较好地 表征一幅图像，在CBIR系统采用全局特征来对图像进行分类是有效的，但是它们 并不能很好地表达图像的局部特征，，对于病灶检测常常无能为力。为此研究人 员采用分割技术来实现带病灶脑部医学图像的输出。但是在临床中，精确的病灶 分割事先须对带病灶图像进行配准，优质的配准技术一般耗时较长，且临床数据 一般层间距较厚，为找到最合适的模版，配准时需人工干预。这种方法处理CBIR 系统中海量图像数据是不合适的；采用常规的无监督的分割算法，由于无须人工 干预，速度快，在一些CBIR系统中得到应用。但是这种分割方法显然不够精确， 仅采用分割的局部特征进行输出，常常得到不好的结果。基于模糊特征的输出方 法通过柯西隶属度函数引入模糊特征来表达分割的不精确性，减少分割的不精确 性对输出的影响。这种方法在对自然彩色图像输出的时候是有效的，但是在对医 学图像输出却效果不好。因为医学图像往往只是灰度图像，包含的信息比彩色图 像少的多，因而采用常用的一些灰度、纹理和形状特征难以很好地对医学图像进 行表达。为解决这个问题，相关反馈算法近年来被广泛关注。所谓相关反馈就是 第一次输出后，用户在系统返回的图像中选出他认为与提供的图像相关的或是不相关的图像，系统根据这些反馈图像来优化特征进而得到更好的输出结果。权重 调整算法和基于机器学习的SVM算法是两类常用的相关反馈算法。权重调整算法通 过解一个优化问题得到一个内权重和外权重来优化特征，使得正例图像在空间上 相对更加靠拢来优化输出。但是该方法一般只使用正例图像，而没有利用到负例 图像的任何信息。SVM算法可以通过正例图像和负例图像的学习，将特征映射到 更高维的空间并构造一个优化的判决平面来优化输出。但是SVM算法对正例和负 例的选择比较敏感，选择不好有时会得到不好的结果。研究人员采用了bagging和 随机采样技术来解决这个问题，该方法对负例图像的数目和特征向量的维数都有 要求，限制了它的使用。
技术实现思路
本专利技术的目的是提供一种用于医学图像目标辨识的模糊SVM反馈测度方法， 该测度方法与传统测度方法相比，具有很高的鲁棒性。本专利技术的上述目的通过如下技术方案来实现的 一种用于医学图像目标辨识 的模糊SVM反馈测度方法，它包括如下步骤1) 对特征数据库中的每一幅医学图像进行医学图像窗宽窗位调整、滤波；2) 提取步骤1)处理后的医学图像的硬特征；3) 将步骤2)提取的硬特征转换成模糊特征，存入特征数据库中；4) 选取一个待比较的医学图像，利用上述步骤1)到3)相同的处理步骤来提取待比较医学图像的模糊特征，计算待比较医学图像的模糊特征和特征数据库中的医 学图像的模糊特征的模糊相似度，根据模糊相似度的大小，对特征数据库中输出的医学图像进行排序，按照模糊相似度由高到低的顺序输出M幅图像，这M幅图像 称之为一次输出图像，其中模糊相似度按照从高到低前50%的图像称之为一次相关 图像，后50%的图像称之为一次非相关图像；5) 将这M幅一次输出图像的模糊特征带入到基于模糊特征SVM相关反馈模型 中进行计算，重新计算获取待比较医学图像和特征数据库中所有医学图像的模糊 相似度，按照模糊相似度由高到低的顺序输出N幅图像，这N幅图像称之为二次输 出图像。所述步骤5)中的模糊特征SVM相关反馈模型及其处理过程如下 (5a)通过最大化待比较医学图像和一次相关图像的模糊相似度的加权乘积得到外权重项"和内权重项矩阵"；(5b)在得到外权重项"'和内权重项矩阵『'后，构造SVM核函数，该SVM核函 数的模型如下-t(Xj,x乂)"-exp(if g)^ = [gi,..'，gm,."，gAJr _ (<f wm《其中，^表示组成图像？的全局特征X'的第^个特征向量；",表示全局特征x'的第W个特征向量的模糊参数； (5c)利用SVM核函数对这M幅一次输出图像进行学习并构造分类器得到支持向量、乘子""和偏移""；(5d)对特征数据库中的每一幅医学图像/7 ，5XW^(尸)=S "， xj ) +办 求其得分函数 '=1 ;sew4"/" = Z^>^(XpXe) + 6 (5e)对待比较医学图像戶，求其得分函数 '=1 ;(5f)重新计算特征数据库中每一幅医学图像尸和待比较医学图像^的模糊相ZV = s乂 exp {—2— x乂 ， x口 一 x」)} 、为分类判别符，当^"e^)和sa^(/')同号时取L异号时取-1;(5g)根据模糊相似度"J的大小对特征数据库中的医学图像重新进行排序，输 出前N幅医学图像。本专利技术可以做如下改进该方法还包括步骤6):不断重复步骤5)的处理过程，将步骤5)获得的输出图像的模糊特征带入到基于 模糊特征SVM相关反馈模型中进行计算，重新计算待比较医学图像和特征数据库 中所有医学图像的模糊相似度，输出最后与待比较医学图像相似度高的前L幅医学图像。本专利技术中，步骤6)是步骤5)的循环迭代过程，其处理过程和步骤5)的处理过程 一样，步骤5)获得的二次输出图像中模糊相似度按照从高到低前50%的图像称之为 二次相关图像，后50%的图像称之为二次非相关图像；将步骤5)获得的所有的二次 输出图像的模糊特征带入到基于模糊特征SVM相关反馈模型中进行计算，重新计 算待比较医学图像和特征数据库中所有医学图像的模糊相似度，按照模糊相似度 由高到低的顺序再输出多幅图像，步骤6)的循环迭代可以根据需要进行一次或两次 或多次迭代，最后输出与待比较医学图像相似度高的L幅医学图像。本专利技术可以作如下改进在步骤l)之前采用高斯滤波对输入图像进行预处理，以降低噪声对图像处理的影响，具体通过线性变换(1 —Ux255《1^ —U将所有 像素点的灰度值变换到0 255的范围内，其中，I为图像灰度值，Imin为图像灰度的最小值，Imax为图像灰度的最大值。本专利技术所述步骤2)中的硬特征包括灰度直方图特征、不变矩形状特征、Gabor 纹理特征和方向直方图特征。与现有技术相比，本专利技术具有以下有益效果(1) 现有技术采用模糊特征进行输出，能够反应特征表达的不确定性，本专利技术 采用硬特征输出有更好的效果。(2) 本专利技术通过最大化待比较医学图像和相关图像的模糊相似度的加权乘积得到外权重向量本文档来自技高网...
【技术保护点】
一种用于医学图像目标辨识的模糊ＳＶＭ反馈测度方法，其特征在于包括如下步骤： １）对特征数据库中的每一幅医学图像进行医学图像窗宽窗位调整、滤波； ２）提取步骤１）处理后的医学图像的硬特征； ３）将步骤２）提取的硬特征转换成模 糊特征，存入特征数据库中； ４）选取一个待比较的医学图像，利用上述步骤１）到３）相同的处理步骤来提取待比较医学图像的模糊特征，计算待比较医学图像和特征数据库中的医学图像的模糊相似度，根据模糊相似度的大小，对特征数据库中的医学图像进行排 序，按照相似度由高到低的顺序输出Ｍ幅图像，这Ｍ幅图像称之为一次输出图像，其中模糊相似度按照从高到低前５０％的图像称之为一次相关图像，后５０％的图像称之为一次非相关图像； ５）将这Ｍ幅一次输出图像的模糊特征带入到基于模糊特征ＳＶＭ相关反 馈模型算法中，重新计算获取待比较医学图像和特征数据库中所有医学图像的模糊相似度，按照模糊相似度由高到低的顺序输出Ｎ幅图像，这Ｎ幅图像称之为二次输出图像。
【技术特征摘要】
【专利技术属性】
技术研发人员：江少锋，冯衍秋，陈武凡，
申请(专利权)人：南方医科大学，
类型：发明
国别省市：81[中国|广州]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。