隨著信息化技術(shù)的高速發(fā)展,在眾多領(lǐng)域難免會出現(xiàn)高維數(shù)據(jù),其中在模式識別領(lǐng)域,由于識別準(zhǔn)確率的提高依賴于特征數(shù)據(jù)的全面有效,因此經(jīng)常會出現(xiàn)高維特征,進(jìn)而會造成所謂的“維數(shù)災(zāi)難”。為了避免出現(xiàn)“維數(shù)災(zāi)難”問題,對高維特征數(shù)據(jù)進(jìn)行降維是十分必要的。數(shù)據(jù)降維即是對高維特征數(shù)據(jù)進(jìn)行優(yōu)化,使其在減少數(shù)據(jù)維數(shù)的同時,盡量除去冗余信息并且保留有效的信息,使得降維之后的信息損失最小。目前的特征優(yōu)化算法雖然已經(jīng)能基本滿足降維需求,但這些方法卻難以發(fā)現(xiàn)隱藏在高維數(shù)據(jù)中的內(nèi)在低維信息,因此特征優(yōu)化算法在模式識別領(lǐng)域仍存在難以被應(yīng)用的問題�；谏鲜霈F(xiàn)狀,本文提出了一種基于改進(jìn)的稀疏表示的特征優(yōu)化算法,并將此特征優(yōu)化算法應(yīng)用于肺結(jié)節(jié)良惡性診斷中。本文主要完成了如下幾方面工作:(1)本文認(rèn)真研究了大量特征數(shù)據(jù)降維的算法,分析了現(xiàn)有降維算法所存在的問題,詳細(xì)敘述了稀疏表示的相關(guān)理論,揭示了稀疏表示算法相對于現(xiàn)有數(shù)據(jù)降維算法的優(yōu)勢所在。(2)本文分析了現(xiàn)有稀疏表示方法所存在的問題。其中典型的K-SVD字典學(xué)習(xí)算法由于具備良好的稀疏表示效果受到了廣泛地應(yīng)用,但其對高維數(shù)據(jù)內(nèi)在特征的學(xué)習(xí)還不夠充分,使得稀疏表示的效果并沒有達(dá)到最佳。(3)本文對稀疏表示K-SVD字典學(xué)習(xí)算法進(jìn)行了改進(jìn)。在典型的K-SVD算法中,通常在稀疏分解階段使用的是OMP匹配追蹤算法,這里我們采用了一種改進(jìn)的CoSpOMP算法進(jìn)行稀疏分解,此算法相比于典型的OMP算法能夠更有效的重復(fù)利用系數(shù)且收斂速度更快。在字典更新階段,初始字典通常都是直接選取隨機(jī)選取的信號排列而形成的字典,而本文則選取離散余弦矩陣作為初始字典,因為經(jīng)過DCT處理后的信號能量是非常集中的。通過仿真實驗表明,該改進(jìn)的算法具有更好的稀疏表示效果且收斂性更強(qiáng)。(4)本文將提出的基于改進(jìn)的稀疏表示的特征優(yōu)化算法應(yīng)用于肺結(jié)節(jié)良惡性診斷中。針對現(xiàn)有診斷技術(shù)中選取單層最大面積ROI特征導(dǎo)致的特征信息不夠全面的問題,本文首先提取肺結(jié)節(jié)的相關(guān)多層切片的ROI高維特征數(shù)據(jù),然后對高維特征數(shù)據(jù)進(jìn)行稀疏表示,最后用支持向量機(jī)對稀疏處理后的數(shù)據(jù)集進(jìn)行分類。實驗結(jié)果表明,與當(dāng)前存在的方法相比,本文提出的方法在基本保證診斷效率的同時,肺結(jié)節(jié)良惡性診斷的準(zhǔn)確率、敏感性和特異性都得到了提高,而且使用改進(jìn)的K-SVD稀疏表示特征優(yōu)化算法相比于傳統(tǒng)的K-SVD具有更好的診斷性能,說明了本文提出算法的有效性。
【學(xué)位單位】：湖南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：R734.2;TP18
【部分圖文】：

肺癌CAD流程

模式(LBP)是芬蘭奧魯大學(xué) Ojala T 教授在 1996 年提算子，LBP 算子一經(jīng)提出就引起了廣大研究學(xué)者的關(guān)、計算容易、適用性強(qiáng)等優(yōu)點，它在圖像紋理的描述的重要作用，其對于圖像研究作出了重大貢獻(xiàn)。以下幾個顯著的優(yōu)點：有優(yōu)越的魯棒性，它的灰度尺度不會由任何某一變法只需要對圖像進(jìn)行一次掃描就可得到二進(jìn)制模式量少很多。以反映圖像里的一些細(xì)微特征，如暗點、亮點、邊P紋理特征的算法是選取一個像素點作為中心，定義 3的鄰近窗口，將該中心像素點與其相鄰的8個像素值小于或者是等于鄰近像素值，那么該鄰近像素點這樣就得到了二值圖像（如圖2.1）。

基于稀疏表示的特征優(yōu)化算法研究與肺癌診斷應(yīng)用點為 8 個鄰近像素點的 LBP 來說，計算出來的局部二值模式共有 256 種，但由部分種類通過旋轉(zhuǎn)可以重合，所以旋轉(zhuǎn)不變的 LBP 只有 36 種。此時，8,riRLBP 產(chǎn)了 36 個不同的二進(jìn)制模式，例如：模式 #0檢測亮點，#4檢測邊緣，#8檢測平和暗點。若我們定義 R 1，那么8,1riLBP 此時被定義為灰度、旋轉(zhuǎn)不變算子BPROT。由于引入了旋轉(zhuǎn)不變的這一理論，LBP 算子具備很強(qiáng)的魯棒性。從另一方面說，正是由于旋轉(zhuǎn)不變的特性，因此我們不能獲取到關(guān)于方向的信息。雖然如，但許多研究實驗結(jié)果表明，對于同類別的紋理分析方法，旋轉(zhuǎn)不變 LBP[25-2十分有效的。
【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 鄒建成;車冬娟;;信號稀疏表示方法研究進(jìn)展綜述[J];北方工業(yè)大學(xué)學(xué)報;2013年01期

2 焦李成,譚山;圖像的多尺度幾何分析:回顧和展望[J];電子學(xué)報;2003年S1期

相關(guān)博士學(xué)位論文 前1條

1 韓芳芳;基于CT圖像多維特征的肺結(jié)節(jié)檢測和診斷方法研究[D];東北大學(xué);2015年

相關(guān)碩士學(xué)位論文 前2條

1 李佳興;CT圖像中孤立性肺結(jié)節(jié)良惡性識別系統(tǒng)[D];河北大學(xué);2014年

2 何珂程;CT圖像的肺結(jié)節(jié)特征提取的方法研究[D];華中科技大學(xué);2011年

本文編號：2839399