基于机器学习方法的彩色体数据可视化研究.pdf

《基于机器学习方法的彩色体数据可视化研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、ADisertationSubmitedtoZhejiangUniversityfortheDegreeofUn1VerS1tV士0rtneUegreeO士MasterofEngineeringAuthor：，、●3UperVlSOr：Subject：College：SubmittedDate：DanLiangHaiLin，、‘乙0mpUter3ClenCe．鱼鼍毡j{L■y-㈡j●●浙江大导硕士：’}：位论文摘要近年来，可视化技术在医学领域发挥越来越重要的作用。连续扫描的二维医学图像通过可视化技术三维重建，能够提供更丰富的解剖学和病理学信息。彩色体数据一般来源于人体的生理切片

2、图像，由于记录每一个采样点的真实颜色，因此较传统标量体数据提供了更多的信息量。但是由于彩色体数据缺乏物质密度、吸收系数等物理信息，使体素的不透明度设置难度增加，无疑给彩色体数据分类带来了挑战。对体素赋予适当的不透明度值，可以增强感兴趣组织和特征结构的显示，辅助体数据有效合理的分类。传统标量体数据的分类技术己比较成熟，但是彩色体数据的分类研究则相对较少。针对上述问题，本文分析了彩色体数据的特征属性，即颜色及其导出的纹理属性，提出了基于特征空间聚类的彩色体数据分类方法。本文首先提出了基于颜色的高斯混合模型(G删)分类方法，在颜色空间对彩色体数据进行初步分类，并且用户可以交互地调整生

3、成的高斯模型，获得更好的分类结果。对于颜色空间中不易区分的特征结构，本文又提出了基于高维纹理向量降维聚类的分类方法，把图像处理领域中的纹理分析方法应用于彩色体数据，获得一阶、二阶和高阶纹理属性组成的高维纹理向量，并运用局部线性嵌入(LLE)方法进行降维聚类，用户可以在降维后的特征空间中，直观简洁地选择感兴趣的特征结构。最后，论文展示了基于上述高斯混合模型(G删)和用局部线性嵌入(LLE)方法在可视人彩色体数据的分类结果，实验结果表明了本文提出的方法在彩色体数据分类上的有效性。关键词：机器学习，彩色体数据，分类，高斯混合模型，局部线性嵌入—————————————————————

4、—————————————————————————————————————————————————————————一——一～AbstractInrecentyears，t11eVisualizationtecllIlolog)，playsanincreasinglyimportalltroleinthemedicalfield．Thecontinuoussca彻edmedic甜imagescanrepresentmoreaIlatomical锄dpa．thologicalinfonllationby3dreconStruction．Photographicv01umes，whi

5、charederiVed丘Dmphysiologicalsliceofh啪allbeings，providemoredatainfomationmallt船【ditiollalscalarvol砌es，aSmerealisticcolorofeachs踟lpledpositionisrecordedi11methree．dimensionaIvectorofeaChvoxel．However．duetothelaCkofphysicalinfo咖ation，such器dens毋valueandabsorptioncoe笨cient，photographicVol啪esprodu

6、ceadia’erentchallengefortIleclassification，especiallythespecificationofopaci够．E疏ctiveaIldreaSonableclassificationofVol啪edataaIldappropriatelysettingofopac时valuet0thecorrespondingvoXelcanhelpt0extractfean鹏sofinterest．Manytec量111iqueshavcbeendevelopedfortllee虢ctiveclassificationofscaleVoluIlle

7、s，whiletheresearchonclassificationofphotographicvolurnesisliInited．AimingattheaboVe—mentionedissues，thisp印eranalyzest11epropertiesofphotographicvol啪es，suchascolori11fo册ationandderivedteXn鹏vaIue．andpresentsanovelclusteringbasedclaSsificationf．orphot