發(fā)布時(shí)間：2018-02-02 15:49

  本文關(guān)鍵詞： 模糊聚類算法 FLICM SCoW SVM 改進(jìn)粒子群　出處：《西南科技大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：隨著臨床醫(yī)學(xué)和計(jì)算機(jī)科學(xué)的相互滲透與發(fā)展,醫(yī)學(xué)圖像處理能避開主觀因素的影響,盡早準(zhǔn)確地診斷出腫瘤種類及惡性程度,有助于對(duì)患者制定有效的治療方案,因此基于圖像處理的腦圖像分割與識(shí)別顯得尤為重要。論文主要對(duì)模糊聚類分割與SVM識(shí)別及相關(guān)算法進(jìn)行研究。針對(duì)模糊聚類算法對(duì)腦圖像中的噪聲、偽影等極為敏感的問題,提出了基于鄰域信息的FLICM改進(jìn)算法。論文在梯度下降法推導(dǎo)的FLICM算法基礎(chǔ)上,通過引入像素的灰度相關(guān)性,融合像素的空間信息改進(jìn)了目標(biāo)函數(shù)。經(jīng)實(shí)驗(yàn)測試表明,相比較其他的模糊聚類分割算法,該改進(jìn)算法的分割效果更好,抗噪性能明顯得到增強(qiáng)。為提高FLICM算法的分割效率,論文提出了結(jié)合SCoW的FLICM改進(jìn)算法。首先對(duì)圖像進(jìn)行SCoW預(yù)處理并通過閾值法進(jìn)行修正細(xì)分割,壓縮預(yù)處理數(shù)據(jù);然后提取各超像素塊的均值特征作為聚類算法的輸入;最后基于改進(jìn)的FLICM算法完成圖像分割。經(jīng)實(shí)驗(yàn)測試表明,該改進(jìn)算法的分割效果更好,運(yùn)行效率平均提高了30%。由于SVM的性能很大程度上取決于模型參數(shù)的選擇,同時(shí)粒子群算法存在過早收斂以致陷入局部最優(yōu)等問題,致使基于粒子群優(yōu)化的SVM的分類結(jié)果不夠好,因此論文研究通過引入變異機(jī)制和動(dòng)態(tài)參數(shù)設(shè)置的改進(jìn)粒子群優(yōu)化SVM訓(xùn)練模型,根據(jù)腦腫瘤的形狀和邊緣特征,實(shí)現(xiàn)二次SVM的腦腫瘤識(shí)別。經(jīng)實(shí)驗(yàn)測試表明,本文算法的收斂速度更快、分類精度更高。
[Abstract]:With the mutual penetration and development of clinical medicine and computer science, medical image processing can avoid the influence of subjective factors and accurately diagnose tumor types and malignancy as soon as possible. It is helpful to establish an effective treatment plan for patients. Therefore, the segmentation and recognition of brain image based on image processing is particularly important. This paper mainly studies the fuzzy clustering segmentation, SVM recognition and related algorithms, aiming at the noise in the brain image based on the fuzzy clustering algorithm. Artifact and other extremely sensitive issues, this paper proposes an improved FLICM algorithm based on neighborhood information. Based on the FLICM algorithm derived by gradient descent method, the gray correlation of pixels is introduced. The spatial information of the fused pixels improves the objective function. The experimental results show that compared with other fuzzy clustering segmentation algorithm, the improved algorithm has better segmentation effect. The anti-noise performance is obviously enhanced. In order to improve the segmentation efficiency of FLICM algorithm. In this paper, an improved FLICM algorithm combined with SCoW is proposed. Firstly, the image is preprocessed by SCoW and modified by threshold method to compress the preprocessed data. Then the mean feature of each super-pixel block is extracted as the input of the clustering algorithm. Finally, the image segmentation is completed based on the improved FLICM algorithm. The experimental results show that the improved algorithm has better segmentation effect. Because the performance of SVM depends largely on the choice of model parameters, particle swarm optimization algorithm has some problems such as premature convergence and local optimization. As a result, the classification results of SVM based on PSO are not good enough, so this paper studies the improved PSO SVM training model by introducing mutation mechanism and dynamic parameter setting. According to the shape and edge features of brain tumors, the recognition of brain tumors by quadratic SVM is realized. The experimental results show that the proposed algorithm has faster convergence speed and higher classification accuracy.
【學(xué)位授予單位】：西南科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李仲;圖像分割的妙法[J];電腦知識(shí)與技術(shù);2000年S2期

2 唐偉力;龍建忠;;一種基于降雨模型的圖像分割方法在礫巖圖像分割中的應(yīng)用[J];成都信息工程學(xué)院學(xué)報(bào);2007年02期

3 黃曉莉;曾黃麟;王秀碧;劉永春;;基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像分割[J];信息技術(shù);2008年09期

4 肖飛;綦星光;;圖像分割方法綜述[J];可編程控制器與工廠自動(dòng)化;2009年11期

5 汪一休;;一種交互式圖像分割的修正優(yōu)化方法[J];中國科學(xué)技術(shù)大學(xué)學(xué)報(bào);2010年02期

6 李丹;;圖像分割方法及其應(yīng)用研究[J];科技信息;2010年36期

7 龔永義;黃輝;于繼明;關(guān)履泰;;基于熵的兩區(qū)域圖像分割[J];中國圖象圖形學(xué)報(bào);2011年05期

8 張甫;李興來;陳佳君;;淺談圖像分割方法的研究運(yùn)用[J];科技創(chuàng)新與應(yīng)用;2012年04期

9 汪梅;何高明;賀杰;;常見圖像分割的技術(shù)分析與比較[J];計(jì)算機(jī)光盤軟件與應(yīng)用;2013年06期

10 魏慶;盧照敢;邵超;;基于復(fù)雜性指數(shù)的圖像分割必要性判別技術(shù)[J];計(jì)算機(jī)工程與應(yīng)用;2013年16期

相關(guān)會(huì)議論文 前10條

1 楊魁;趙志剛;;圖像分割技術(shù)綜述[A];2008年中國高校通信類院系學(xué)術(shù)研討會(huì)論文集（下冊）[C];2009年

2 楊暄;郭成安;李建華;;改進(jìn)的脈沖耦合神經(jīng)網(wǎng)絡(luò)及其在圖像分割中的應(yīng)用[A];第十屆全國信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2001）論文集[C];2001年

3 楊生友;;圖像分割在醫(yī)學(xué)圖像中應(yīng)用現(xiàn)狀綜述[A];2009中華醫(yī)學(xué)會(huì)影像技術(shù)分會(huì)第十七次全國學(xué)術(shù)大會(huì)論文集[C];2009年

4 閆平昆;;基于模型的圖像分割技術(shù)及其醫(yī)學(xué)應(yīng)用[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

5 高嵐;胡友為;潘峰;盧凌;;基于小生境遺傳算法的SAR圖像分割[A];可持續(xù)發(fā)展的中國交通——2005全國博士生學(xué)術(shù)論壇（交通運(yùn)輸工程學(xué)科）論文集（下冊）[C];2005年

6 孫莉;張艷寧;胡伏原;趙榮椿;;基于Gaussian-Hermite矩的SAR圖像分割[A];第十三屆全國圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

7 李盛;;基于協(xié)同聚類的圖像分割[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

8 張利;許家佗;;舌象圖像分割技術(shù)的研究與應(yīng)用進(jìn)展[A];中華中醫(yī)藥學(xué)會(huì)中醫(yī)診斷學(xué)分會(huì)第十次學(xué)術(shù)研討會(huì)論文集[C];2009年

9 秦昆;李振宇;李輝;李德毅;;基于云模型和格網(wǎng)劃分的圖像分割方法[A];《測繪通報(bào)》測繪科學(xué)前沿技術(shù)論壇摘要集[C];2008年

10 高惠琳;竇麗華;陳文頡;謝剛;;圖像分割技術(shù)在醫(yī)學(xué)CT中的應(yīng)用[A];中國自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)A卷[C];2011年

相關(guān)博士學(xué)位論文 前10條

1 白雪飛;基于視覺顯著性的圖像分割方法研究[D];山西大學(xué);2014年

2 黃萬里;基于高分衛(wèi)星數(shù)據(jù)多尺度圖像分割方法的天山森林小班邊界提取研究[D];福建師范大學(xué);2015年

3 王輝;圖像分割的最優(yōu)化和水平集方法研究[D];電子科技大學(xué);2014年

4 高婧婧;腦部MR圖像分割理論研究[D];電子科技大學(xué);2014年

5 潘改;偏微分方程在圖像分割中的應(yīng)用研究[D];東北大學(xué);2013年

6 馮籍瀾;高分辨率SAR圖像分割與分類方法研究[D];電子科技大學(xué);2015年

7 李偉斌;圖像分割中的變分模型與快速算法研究[D];國防科學(xué)技術(shù)大學(xué);2014年

8 鄧曉政;基于免疫克隆選擇優(yōu)化和譜聚類的復(fù)雜圖像分割[D];西安電子科技大學(xué);2014年

9 帥永e，

本文編號(hào)：1484888