欢迎来到天天文库
浏览记录
ID:52410858
大小:3.04 MB
页数:82页
时间:2020-03-27
《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
此文档下载收益归作者所有