基于支持向量机的色素斑痣类皮肤症状识别研究

发布时间：2020-04-07 18:47

【摘要】： 皮肤病的诊断中,症状类别的判断是治疗的关键。随着计算机和图像处理技术在医学领域的应用,使得建立皮肤图像的智能识别系统成为可能。该系统的核心是皮肤图像的多分类技术。支持向量机作为一种新的通用模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出特有的优势,能够克服神经网络等传统识别方法容易产生过学习和陷入局部极小的问题,已经受到广泛的关注,在医学领域也有较多的应用。由于传统支持向量机是基于二分类问题提出的,在进行多分类时,利用“一对一”或“一对多”的策略将二分类推广至多分类,而在此过程中会出现分类盲区问题。本文研究了支持向量机的算法原理,深入讨论了其多分类实现过程,提出了一种新的基于模糊隶属度函数的多分类算法,并将其应用于皮肤图像的自动识别中,取了得较好的效果。本文的主要工作包括两个方面:(1)皮肤症状图像的特征提取;(2)改进传统支持向量机多分类算法,实现盲区可分。首先,本文利用彩色空间转换,将症状图像从RGB空间转换到HSV空间,并在V域中进行阈值分割,获得症状区域。然后根据皮肤学原理ABCD-rule进行特征计算,提取出症状区域的最大直径、似圆度等17个特征参数。其次,本文以支持向量机构建多分类器进行识别。为解决传统二分类支持向量机在推广至多分类时出现的分类盲区问题,本文引入模糊隶属度函数,根据不同样本对分类贡献的不同,赋以相应的隶属度,实现了盲区可分。实验结果表明,本文提出的模糊支持向量机算法对色素斑痣类皮肤症状的识别是有效的,有利于该类皮肤病的临床诊断。
【图文】：

最优分类面,线性可分,分类间隔,样本

两类分类情况说明[20][21]。如图2-1所示，图中空心与实心点分别代表两类样本，H 为分类线，1H 和2H 分别为类别边界，即过各类中离分类线最近的样本且平行于分类线的直线，它们之间的距离为分类间隔。所谓最优分类线就是要求不但能够将所有训练样本正确分开，而且能够使分类间隔最大。前者保证经验风险最小，，后者保证置信范围最小，从而使真实风险最小。图2-1 线性可分情况下的最优分类面这里设样本为n维向量，训练样本为( , ) , 1, , , , { 1, 1}ni ix y i = l x ∈ R y∈ +

最优分类超平面,分类超平面

2min ω = minω ω(2-10)满足式(2-8)使式(2-10)最小，就是最优分类面。如图2-2所示，最优分类超平面到相邻点集的距离远大于一般分类平面至相邻点集的距离。图2-2 最优分类超平面和一般分类超平面最优分类超平面使所有训练样本正确分类，而且使训练样本中离分类面最近的点到分类面的距离最大，使分类间隔最大实际上就是对推广能力的控制，这是支持向量机的核心思想之一。最优分类超平面需要满足式( 2-8)、( 2-10)。对式(2-10 )稍微变形，求优化超平面的问题就转化为下面的凸优化问题的解：( )21 1min2 2R ω = ω = ω ω. . ( )1, 1, ,i is t y ω x + b ≥ i = l2.3.2 线性支持向量机[23]2.3.2.1 线性可分支持向量机对于线性可分数据集合( ) { },, 1, , , , 1, 1ni ix y i = l x ∈ R y∈ + ， l 是样本数量， d 是
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2007
【分类号】：R751;O212

【参考文献】