论文部分内容阅读
随着计算机网络和医学图像技术的迅猛发展,近年来用于教学和临床研究的医学图像呈爆炸式地增长,如何准确地判定图像类别,检索出相似的医学图像,已成为当前医学图像研究的重点之一。由于医学图像容易受到成像设备、噪声以及光照等因素的影响,增加了医学图像分类的难度,因此准确提取图像视觉特征至关重要。本文对图像全局特征和局部特征进行研究,采用支持向量机(Support Vector Machine, SVM)分别对这两种特征进行分类,然后决策融合分类结果得到最终的分类结果。主要研究内容如下：(1)研究医学图像的全局特征和局部特征,提出采用局部敏感哈希算法(Local Sensitive Hash, LSH)构建随机直方图,并利用随机直方图对局部特征SURF(Speed Up Robust Features)进行数据归约,将SURF特征向量集合转化成一个直方图,较大地提高了图像分类效率。(2)研究了SVM的分类原理,提出了基于SVM的多特征决策融合算法,首先利用SVM分别对全局特征和局部特征进行分类,然后基于各个分类后的结果信息进行决策融合,得到最终的分类结果,显著地提高了分类准确率。(3)分别采用不同的视觉特征和不同特征融合策略进行实验研究,比较并分析了不同特征和不同融合策略的分类效果,实验结果表明决策融合局部特征和全局特征可以有效地提高医学图像的分类准确率。(4)在Linux系统下,结合计算机视觉库Opencv采用C++开发基于SURF和全局特征融合的医学图像分类系统,系统拥有类似于Google搜索的访问界面,可以根据用户提交的医学图像,查询并返回一系列相似的图像。本系统采用B/S模型,将服务器部署到Linux平台,采用Apache作为web服务器,设计开发了医学图像分类系统,同时将提出的新算法运用到该系统中,实验结果表明,本文提出的算法有效地提高了医学图像的分类准确率。