基于纹理特征和支持向量机的磁共振脑图像组织分类.docVIP

基于纹理特征和支持向量机的磁共振脑图像组织分类 　　摘要： 磁共振脑图像的是医学诊断中的一种重要的手段，在此主要研究磁共振脑图像的组织分类。分类以脑图像各组织的纹理特征为依据。在试验过程中采用区分度较高的特征值，组成特征向量，作为支持向量机的输入，用改进的支持向量机进行分类。在特征向量数据优化和支持向量机参数寻优的条件下，可以取得较好的分类效果。 　　关键词： 纹理特征； 支持向量机； 磁共振脑图像； 参数寻优 　　中图分类号： TN964#8259;34 文献标识码： A文章编号： 1004#8259;373X（2014）08#8259;0135#8259;03 　　MRI brain tissue classification based on texture features and support vector machines 　　DONG Zhao#8259;xu， NIAN Rui 　　（Department of Electronics， Ocean University of China， Qingdao 266100， China） 　　Abstract： Magnetic resonance imaging （MRI） of brain is one of the important means of medical diagnosis. The tissue classification of the magnetic resonance brain images is studied mainly in this paper. The classification is based on the texture features of the MRI brain tissue. In the process of the experiment， high degree of distinction characteristic values was used to compose the feature vector， which was input into support vector machines （SVM） and was classified by the improved SVM. Better classification result can be obtained under the conditions of optimizing the feature vector data and the parameters of SVM. 　　Keywords： texture feature； support vector machine； magnetic resonance imaging of brain； parameter optimization 　　磁共振成像是一种高分辨率、无损伤、解剖结构显示清楚的医学成像技术，因此磁共振成像技术在医疗诊断重要的作用，尤其是在脑组织的研究中得到了广泛的应用。支持向量机（SVM）是建立在统计学习理论的VC维（Vapnik#8259;Chervonenkis Dimension）理论和结构风险最小原理基础上的一种分类算法[1]。由于MRI脑图像的各个不同脑组织具有的纹理特征，因此可以利用各个不同的脑组织的纹理特征，组成纹理特征向量作为支持向量机输入进行脑组织的分割的依据。 　　1纹理特征提取 　　纹理是图像分析中常用的概念，它用于描述图像的局部特性。通常把描述纹理局部不规则而宏观上有规律的特性的数字特征成为纹理特征[2]。灰度共生矩阵是一种经典基于统计特征的纹理特征提取方法，它反映了图像上任意两点间灰度的空间相关性[3]。设一图像为[f(x,y)]，大小为[M×N]，灰度级[Ng]有：[p(i,j)=#{(x1,y1),(x2,y2)∈M×Nf(x1,y1) =i,f(x2,y2)=j}] （1） 　　式中：[#(x)]表示集合中[x]元素个数，若[(x1,y1),(x2,y2)]间距离为[d]，与横坐标夹角为[θ]，则可以得到各种间距和角度的灰度共生矩阵[p(i,j,d,θ)]。常用反映灰度共生矩阵的统计量有对比度、熵、角二阶矩（能量）、相关性、均值、方差、逆差矩、非相似度等[4]。 　　2支持向量机脑组织分割 　　支持向量机是Cortes和Vapnik等人提出的一种机器学习算法，其理论基础是统计学习理论。统计学习理论是专门研究小样本统计估计和预测的理论。 　　其中对支持向量机起关键作用的理论是VC维和结构风险最小化准则[5]。支持向量机最初源于数据分类问题的处理，SVM就是要寻找一个满足要求的分割