随着计算机视觉技术及医疗成像设备的不断发展,医学影像图像包含的信息也更加丰富,而如何将这些医学图像进行有效的分类,越来越受到人们的重视。为此,本文主要围绕医学图像预处理、特征提取与选择及分类器设计三个方面展开讨论。第一,针对医学图像的特点,在图像进行分类识别之前,对图像进行相关的预处理工作。首先,采用小波变换方法对图像进行去噪,以减少图像中噪声对分类结果的影响。然后,采用基于水平集方法的几何活动轮廓模型对图像进行分割,将目标区域与背景区域分离开来,以减少背景对分类结果的影响。第二,传统的图像直方图只考虑了像素点彩色的统计特性,忽略了彩色的空间分布信息,在这种情况下,有可能造成内容完全不相同的图像也可能有近似的彩色直方图。因此,本文通过计算像素点的彩色值在原始图像中所占比例,然后再对该像素点的灰度级进行加权处理,从而构造出能反映原始图像中不同彩色像素点数量的彩色权值直方图。同时,采用Tamura纹理特征的粗糙度、对比度及方向度三个方面描述图像的纹理特征。然后,将图像的彩色特征及纹理特征进行归一化,构成描述图像特征的数据场。最后,通过基于模糊核聚类的支持向量机实现对图像的分类识别。第三,提取图像色彩特征的同时,采用Gabor小波变换来描述图像的纹理特征,构造图像特征数据场,并利用脉冲耦合神经网络(PCNN)神经元之间的捕获-抑制机制来设计分类器,使得同类样本对应的神经元总是较其他类样本对应的神经元先被激励,即同类样本对应的神经元内部活动项最大,以实现对图像的有效分类。生物神经学的研究表明,人的大脑皮层有许多不同的神经功能区,每个功能区都由若干个可以完成相应功能区特定功能的神经元组成。另外,人的大脑记忆并不是某个神经元与模式的一一对应,而是一群神经元对应某一个模式,而这种自组织特性是通过后天的学习而得到的。神经学研究还表明,某一事物所引起的兴奋并不是针对某一个神经元,而是以某个神经元为中心的一个区域内的所有神经元的兴奋,位于区域中心的神经元最兴奋,同时强度随着与中心的距离的增大而逐渐的减弱,而且远离中心的神经元还会受到一定的抑制,即同一模式所对应神经元区域内的各个神经元之间是相互激励的,而不同模式的神经元区域之间则是相互抑制的。因此,基于PCNN神经元之间的捕获-抑制机制图像分类方法与人的大脑神经元的功能区域特性是完全一致的。