多分辨率分析下腦MR圖像紋理特征提取和識別.pdf

1、腦部疾病的診療一直是醫(yī)學界研究的重點。醫(yī)學圖像包含了豐富的信息,是醫(yī)療診斷中一個非常重要的手段。多分辨率分析在時域和頻域中聯(lián)合表示信號,可以對信號進行多尺度多方向分解,近年來在圖像處理領域得到了廣泛的應用。在特征提取的基礎上對圖像進行分類識別是計算機輔助診斷的研究重點。常用的分類方法中支持向量機因其適用于小樣本學習且兼顧訓練誤差和泛化能力在眾多分類方法中脫穎而出。本文在多分辨率分析下提取圖像的紋理特征并利用支持向量機對圖像進行分類識別,

2、找出最能表征圖像紋理的特征向量并將其應用于醫(yī)學腦MR圖像的特征提取和識別中。主要工作有:
　　1.深入研究了多分辨率分析下小波變換,雙樹復小波變換,非下采樣Contourlet變換和梳狀波變換的原理及其變換系數(shù)特征。分別在以上四種變換下對圖像進行紋理特征提取,找出理論上最能表征圖像紋理特征的特征向量。提取的特征向量分別為:小波變換、非下采樣Contourlet變換的低頻分解系數(shù)的灰度共生矩陣特征、均值和方差,高頻系數(shù)的均值、方差和

3、能量;雙樹復小波變換的低頻系數(shù)灰度共生矩陣特征、均值和方差及高頻系數(shù)模的均值、方差和能量;梳狀波變換的高頻相角矩陣各子塊的均值、方差和高頻模的能量特征。
　　2.將四種變換下提取的特征向量分別輸入支持向量機中進行分類識別,實驗結果表明,灰度共生矩陣特征并不能有效表征圖像紋理特征,因而將其舍棄。小波變換的低頻和高頻系數(shù)特征對于表征圖像紋理特征效果也不理想。最終采用的特征向量為:雙樹復小波變換的低頻均值、方差和高頻系數(shù)模的均值、方差;