基于特征融合的脑部图像多级分类

发布时间：2023-05-18 21:18

　　目前医学图像数量巨大,利用计算机处理医学图像从而辅助医疗诊断是医学领域研究的热点。根据脑部图像具有对称性的特点,选择支持向量机-递归特征消除(SVM-RFE)算法对融合特征进行特征选择过程中,引入Pearson系数衡量特征信息的冗余度,将特征相关性指标融入SVM-RFE特征子集的筛选标准中,提升了融合特征的分类性能。在一级分类基础上,基于特征学习方法,构建了2Layer-RBM-KNN二级脑部图像分类模型,增加网络深度以进行更高层次的特征抽象,并且结合数据集探究了分类器的选择,实现样本再分类。

【文章页数】：6 页

【文章目录】：
0 引言
1 脑部图像识别理论基础
2 多级脑部图像分类
    2.1 脑部区域均衡化
    2.2 基于对称性理论的一级脑部图像分类
    2.3 基于特征学习的二级脑部图像分类
3 实验内容与结果
    3.1 一级脑部图像分类实验
    3.2 多级脑部图像分类
4 结论



本文编号：3819009