基于SVM的肝脏B超图像纹理分类

在支持向量机SVM的基础上,提出一种肝脏B超图像纹理分类方法。该方法首先提取肝脏B超图像的空域和频域的纹理特征,然后运用SVM分类,寻找分类的最佳特征组合,最后将该方法与BP神经网络的分类方法进行了对比。实验结果表明,所得到的最佳特征组合能有效地区分正常肝脏和病变肝脏,利用该方法可以得到更高的分类精度和更稳定的性能。

PSO-SVM算法在肝脏B超图像识别中的应用

为提高肝脏B超图像的诊断准确率,研究了将粒子群算法(Particle Swarm Optimization,PSO)和支持向量机(Support Vec-tor Machine,SVM)相结合进行肝脏B超图像识别的方法;该方法首先提取肝脏B超图像的空域和频域的纹理特征,然后运用SVM对108幅肝脏B超图像进行分类,利用PSO算法优化SVM的模型参数,最后将该方法与基于网格搜索法优化的SVM和基于BP神经网络的分类方法进行了对比;实验结果表明,在PSO-SVM算法下,所提取的两种纹理特征相结合能够有效地描述肝脏B超图像,基于粒子群优化算法的支持向量机模型具有较高的识别精度,平均分类准确率达94.44%,这就表明PSO-SVM算法适用于对肝脏B超图像的识别。