[发明专利]用于医学图像目标辨识的模糊SVM反馈测度方法

说明书

技术领域

本发明涉及一种图像处理方法，特别是涉及一种用于医学图像目标辨识的模糊SVM(支持向量机，Support Vector Machine)反馈测度方法，该方法适用于医学图像的检索。

背景技术

随着医学数字化影像设备在临床中的日益广泛应用，电子病历和图像归档通信系统(PACS)方面的技术不断发展，临床上每天都会产生大量图像数据(较大的医院每天的图像数据有10G之多)。如何有效地组织、管理和输出医学图像是当前迫切需要解决的问题。在临床中，在对未确诊临床图像进行诊断和在教学浏览研究中，若能通过输出技术找出和该带病灶图像内容基本相同的已诊断图像，将大大提高临床诊断的可靠性和资料收集的完整性。传统基于文本方式的数据库管理方式已经渐渐无法满足这种需要，为此基于内容的图像输出(Content-Based ImageRetrieval，CBIR)技术成为近年来该领域中的研究热点。

大多数CBIR系统使用图像的灰度、颜色、纹理全局特征，这些特征能较好地表征一幅图像，在CBIR系统采用全局特征来对图像进行分类是有效的，但是它们并不能很好地表达图像的局部特征，，对于病灶检测常常无能为力。为此研究人员采用分割技术来实现带病灶脑部医学图像的输出。但是在临床中，精确的病灶分割事先须对带病灶图像进行配准，优质的配准技术一般耗时较长，且临床数据一般层间距较厚，为找到最合适的模版，配准时需人工干预。这种方法处理CBIR系统中海量图像数据是不合适的；采用常规的无监督的分割算法，由于无须人工干预，速度快，在一些CBIR系统中得到应用。但是这种分割方法显然不够精确，仅采用分割的局部特征进行输出，常常得到不好的结果。基于模糊特征的输出方法通过柯西隶属度函数引入模糊特征来表达分割的不精确性，减少分割的不精确性对输出的影响。这种方法在对自然彩色图像输出的时候是有效的，但是在对医学图像输出却效果不好。因为医学图像往往只是灰度图像，包含的信息比彩色图像少的多，因而采用常用的一些灰度、纹理和形状特征难以很好地对医学图像进行表达。为解决这个问题，相关反馈算法近年来被广泛关注。所谓相关反馈就是：第一次输出后，用户在系统返回的图像中选出他认为与提供的图像相关的或是不相关的图像，系统根据这些反馈图像来优化特征进而得到更好的输出结果。权重调整算法和基于机器学习的SVM算法是两类常用的相关反馈算法。权重调整算法通过解一个优化问题得到一个内权重和外权重来优化特征，使得正例图像在空间上相对更加靠拢来优化输出。但是该方法一般只使用正例图像，而没有利用到负例图像的任何信息。SVM算法可以通过正例图像和负例图像的学习，将特征映射到更高维的空间并构造一个优化的判决平面来优化输出。但是SVM算法对正例和负例的选择比较敏感，选择不好有时会得到不好的结果。研究人员采用了bagging和随机采样技术来解决这个问题，该方法对负例图像的数目和特征向量的维数都有要求，限制了它的使用。

发明内容

本发明的目的是提供一种用于医学图像目标辨识的模糊SVM反馈测度方法，该测度方法与传统测度方法相比，具有很高的鲁棒性。

本发明的上述目的通过如下技术方案来实现的：一种用于医学图像目标辨识的模糊SVM反馈测度方法，它包括如下步骤：

1)对特征数据库中的每一幅医学图像进行医学图像窗宽窗位调整、滤波；

2)提取步骤1)处理后的医学图像的硬特征；

3)利用指数隶属度函数将步骤2)提取的硬特征转换成模糊特征，存入特征数据库中，

其中，上述的指数隶属度函数如下所示：

E(x)=exp(-|x-μ|22σ2)]]>

其中，μ表示硬特征中心，σ和硬特征分布均方差成正比；