基于纹理分析有损肝超声图像识别

《基于纹理分析有损肝超声图像识别》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、电子科技大学硕士学位论文摘要本文结合计算机技术、生物医学工程和模式识别知识，通过将Bayesian理论框架引入肝损伤超声图像识别问题，将纹理描述的共生矩阵和纹理分析的多分辨率提取分形特征的方法结合，提出利用图像纹理特征识别超声肝图像的一种方法。首先，根据色调是基于纹理基元中像素亮度的属性，而结构则是基元间的空间关系；因此，在人体组织的Ｂ超图象中蕴藏着丰富的纹理信息，利用图像纹理在模式识别上的应用：包括灰度独立矩阵SGLDM、傅立叶能量谱FPS、灰度差分统计GLDS、Law’s纹理能量度量TEM等纹理特征，充分考虑纹理的四个传统的特征：粗

2、糙度、规则度、方向度和能量来描述这些现象，并试图找到对于超声肝图像分类的有用的信息，将他们应用到识别正常肝、肝硬化、肝癌三类超声肝图像中；其次，将用一种于多分辨率图像概念和分形布朗运动模型的特征向量集——三级多分辨分形特征向量来快速地识别混淆和模糊的肝病图像，以提高分类的速度和精确度。第三，采用60个样本，三类图像各20个样本，并且均来自同一医师、相同型号的超声仪器。对于每一幅样本图像，我们选择38*38大小的预处理图像块，进一步选择其中的32*32大小的ROI图像块进行分析识别；在特征提取后的分类器设计中，结合超声图像和肝脏的结构特点，

3、选择统计模式识别方法；采用监督参数估计法得到贝叶斯分类参数，并采用监督的学习方法优化分类性能。最后，由于数据形式的差异较大、表示的范围也大相径庭，将特征值进行归一化后，使得数据标准化，进行特征合并的分类测试；并分别对各个特征识别性能作了充分的分析和具体的说明，在普通PC机上将算法的运行效率作了统计。实验证明，该方法首次应用在正常肝、肝硬化、肝癌这三类超声肝的分类上，分类正确率达87.48%，得到了比较满意的效果。基于我国的国情，对超声图像进行识别更有实际意义，这些在对缺乏病理专家的医院和远程医疗信息系统中的应用提供了坚实的理论基础，并对计

4、算机辅助诊断肝病系统提供了理论支持。关键词：图像识别，特征提取，纹理特征，贝叶斯分类法I电子科技大学硕士学位论文AbstractInthisthesis,byapplyingcomputertechnology、biomedicinetechnologyandpatternrecognition,amethodologyaboutclassificationofultrasonicliverimagesisproposedbythetexturefeatures.HenceIintroducedtheBayesianframeworkto

5、theimagerecognitionaboutlivelesions.Themethodcombinedtheco-occurrencematriceswithMultiresolutionfractalfeature.First,accordingtotheusageofimage’stextureinpatternrecognition,itisincludetheapatialgray-leveldependence,　theFourierpowerspectrum,thegray-leveldifferencestatistic

6、sandLaws’textureenergymeasuresthatsomefeaturehaveusedindistinguishingthreeskindsofultransonicliveimages:　normalliver,cirrhosis,livercancer.AndtheBayesianclassifierisemployedtodistinguish.Second,theconceptsofmultipleresolutionimageryandfractionalBrownianmotionisproposedtod

7、etectdiffuseliverdiseasefastly.Anewfeatureset——themultiresolutionfractalfeaturesareusedtoimprovethespeedandaccuracyofclassificationinthisthesis.Third,Iused60samples(30sampleeach)todistinguishtheseimagesaccordingtoablockof32*32pixels.Iadoptstatisticalpatternrecogntionaccor

8、dingtothetraitofultransonicimageandliver’stexture.AndIoptimizedBaysianclassifierusingparameticle