欢迎来到天天文库
浏览记录
ID:36440310
大小:4.17 MB
页数:62页
时间:2019-05-10
《基于先验知识的支持向量机图像分割算法研究》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、基于先验知识的支持向量机图像分割算法研究学科:计算机应用技术研究生签孛:王熬指导教师签字:‘乙1詹形卞摘要图像分割是图像处理的重点和难点之一,至今仍然没有一个通用且有效的图像分割算法能满足各种不同的需要,这也正是图像分割算法的研究价值所在。在医学图像处理中,虽然支持向量机已应用于图像分割,并取得了较好的分割效果,但是没有考虑到相关应用领域的先验知识,对受噪声影响的医学图像,其分割效果还有待于进一步提高。基于先验知识的支持向量机可以较好地解决噪声的影响,它将对象中已知的一部分机理提取出来,作为先验知识,然后将其与样本数据相结合,共同建立可靠的样本模型。本文在
2、研究现有先验知识与支持向量机融合的基础上,针对置信度函数凭经验给出的不足,提出了一种确定置信度函数方法,更好的进行分类。该方法是建立在模糊系统理论的基础上:将样本的紧密度信息作为先验知识应用于支持向量机的构造中,在确定样本的置信度时,不仅考虑了样本到所在类中心之间的距离,还考虑样本与类中其它样本之间的关系,通过模糊连接度将支持向量与含噪声样本进行区分。在此基础上构造实现了一个分类器,为了检验分类器的有效性,通过对UCI机器学习数据库的乳癌数据进行的实验,实验结果表明基于先验知识的支持向量机分类准确率比支传统持向量机的准确率高。本文将基于先验知识的支持向量机
3、应用于医学图像分割,以加拿大麦吉尔大学的brainWeb模拟脑部数据库提供的不同噪声的图像进行实验,实验结果表明采用基于先验知识的支持向量机比传统支持向量机具有更好的抗噪性能及分类能力。关键词:先验知识;支持向量机;医学图像分割;置信度;磁共振图像ResearchofMedicalImageSegmentationAlgorithmBasedonSupportVectorMachineDiscipline:ComputerApplicationTechnologyStudentSignature:嘲岷Supervis。rSignature:厶沙f’心unA
4、bstractImagesegmentationisallimportantprocessinimageanalysis,andisaverydifficultprocess.Currentlythereisnoall-purposeimagesegmentationalgorithmwhichcallbeappliedindifferentconditions,andSOmanypeopledomuchresearchinthisfield.SupportVectorMachine(SVM)algorithmisapopularimagesegmenta
5、tionalgorithmamongmedicalimageprocessingfield,butitalsohasmanyshortages,especiallywithmuchnoise.Prior-knowledgebasedSVM(P-SVM)callovercomethedisadvantagesoftheabovemethod.Ittakespartsoftheprinciplesfromtheobjectastheprior-knowledge,andcombinesthemwiththesampledatatobuildareliabled
6、atamodel.Inthispaper,animprovedalgorithmisgivenbasedonthestudyofprior-knowledgebasedsupportvectormachine.Itisbasedonthefuzzysystemtheory.Theconfidencelevelisdefinedbynotonlytherelationbetweenasampleanditsclustercenter,butalsothoseamongsamples.whichisdescribedbythefuzzycormectednes
7、samongsamples.111econfidencelevelbasedontheaffinityamongsamplesforsupportvectormachineeffectivelydistinguishessupportvectorsandoutliersornoises.ExperimentresultsshowthattheP·SVMclassifieroffersbetterclassificationprecisionthanthetraditionalsupportvectormachinemethodsthroughtheexpe
8、rimentwhosedatafromUCImachinelear
此文档下载收益归作者所有