超声乳腺肿瘤的全自动SVM检测与水平集分割算法

超声图像检测是当前乳腺癌诊断的主要辅助手段之一.为实现超声乳腺肿瘤的计算机自动辅助诊断,提出一种基于支持向量机(SVM)目标检测与水平集图像分割相结合的全自动肿瘤提取算法.首先提取超声图像训练集的分块特征来训练SVM分类器,对测试集图像进行检测得到可疑病灶区域;然后提取可疑区域边缘作为水平集的初始轮廓,使用加入Bhattacharyya距离项的Chan-Vese主动轮廓改进模型进行可疑病灶区域的轮廓演化,得到准确的轮廓;最后综合面积、位置、灰度、纹理等因素设计区域评价筛选准则,去除可疑病灶中的干扰区域,得到最终的肿瘤分割结果.在真实病例数据集上的测试结果表明,利用该算法在良恶性肿瘤检测分割中均有较好表现.

基于纹理和边缘的SAR图像SVM分类

为实现SAR图像地物目标的有效分类,深入研究了基于灰度共生矩阵GLCM的四种纹理特征以及两个边缘特征。分析每个单独纹理或边缘特征在对SAR图像进行支持向量机SVM分类中对不同地物的分辨能力,选取不同的特征组合进行组合特征的SVM分类实验。对各种特征进行主成分分析PCA,并考察使用和不使用PCA两种情况下分类结果之间的差异。实验结果证明能量、边缘长度、对比度和相关度的特征组合在PCA作用下能够改善各类地物的分类精度,将总分类精度提高到90%以上。

基于纹理和边缘的SAR图像多维SVM回归

合成孔径雷达(SAR)图像ROI(Region of Interest)区域存在两种情况:只包含单一地物或由混合地物组成。对此,提出一种基于特征映射的SAR图像多维输出回归方法,该方法不仅能够对只包含单一地物的SAR图像进行类别判断,也能对混合地物区域的内容做出估计。首先对SAR图像提取基于灰度共生矩阵的纹理特征,然后构造了一组能够反映SAR图像边缘长度、方向和稀疏程度的边缘特征向量,最后利用纹理特征和边缘特征对SAR图像进行基于近似迭代变权最小二乘法(IRWLS)的多维支持向量机(Support Vector Machine,SVM)回归。实验结果表明,该方法能够对包含不同地物内容的ROI区域进行有效解译,正确率高。