|
|
题目：
雅宝题库答案：
****此区域为收费内容**** 需支付 1 知识币后可查看，1币=0.01元查看答案
雅宝题库解析：
近些年，随着计算机技术与模式识别理论的成熟与发展，其实践运用有着不断的突破与创新，尤其是将计算机技术与模式识别相结合，用于计算机医学辅助诊断，成为应用研究的热点之一。医学图像的计算机辅诊断的键在于特征提取及后续的分类识别。本论文主要研究肝脏超声图像特征提取算法、算法优化、以及分类识别算法等，在深入研读并总结现有研究成果的基础之上，开展了相关的研究，主要研究工作总结如下：1．对现有成果的归纳与总结。在研究初期，通过大量的文献阅读，掌握了该领域现有研究成果、热点以及未来发展趋势，并对研究的实践应用意义以及社会效应有了更深刻的理解。在特征提取算法方面，大体可以分为基于空域、基于变换域以及基于模型等三类方法，简要总结、分析了其各自的优缺点；在分类识别算法上，简要回顾了分类器的发展历程，重点突出了支持向量机（Suppor Vector Machine），并支持向量机在未来的发展进行展望。2．算法测试平台的搭建与图像数据的获取。针对课题的研究背景与具体的研究目标、需求，同时考虑到算法研究需要进行大量的图像样本数据处理、分析等大规模计算，这就要求算法测试平台具有较为突出的计算能力和良好的稳健性。在数据方面，通过与项目甲方的合作，获得了大量的优质图像数据。这些数据经过医生的先期判断与分析，可作为分类器训练与测试样本。完整、大量、典型并具代表性的数据为课题最后的顺利完成提供了有力保障。3．特征提取算法的研究。在充分总结该领域已有研究成果的基础上，结合课题研究的需求，文章提出了对应的研究方案，主要分为四大部分。首先，根据模式识别与数理统计理论，文章采用了6个指标对特征与特征向量进行评价；其次，在特征提取算法的研究上，文章采用了基于空域的经典算法灰度共生矩阵（Gray-level Co-occurrence Matrix）、基于频域的小波变换（Wavelet Transform）与小波包变换（Wavelet Packet Transform）三种算法。希望通过空域与频域的对比，以及频域与频域的对比来选择最优的特征提取算法。实验结果表明，由于小波包变换将细节信号进行进一步分解，因而对图像纹理特征有最好的刻画，在相应评价指标中优于其他算法，为最优算法。第三，为了进一步提升小波包算法的性能，文章进行了最优小波基的研究。通过对小波基函数的平移时不变性、规则度、消失矩数目等相关性质的研究，结合实验数据尤其是分类正确率，选出了最优小波基。在其的作用下，小波包特征向量对纹理的刻画、描述能力得到进一步提升；最后，文章进行了特征向量降维的研究。小波包特征向量虽包含了较多信息，可也存在一定的冗余，且维数过大容易引起维数灾难。因此，特征降维十分必要。文章采用了主成分分析（Principle Component Analysis）和基于变化核的主成分分析（Kernel Principle Component Analysis）进行降维处理。实验结果表明，特征降维能显著的降低特征向量的维数，同时极大提升分类正确率。上述四个部分，构成了特征提取算法研究的主要内容。基于上述成果，对数据进行了横向对比分析，得出了若干重要的结论。本文在这部分主要有四个创新点：第一、采用小波包变换提取特征；第二、采用量化指标对特征与特征向量进行选择与评价；三、进行了最优小波基的选取研究；第四、进行了特征降维研究。4．分类识别算法的研究。基于特征提取算法部分已取得的成果，文章在该部分的研究方案采用Fisher线性分类器（Fisher Linear Discriminant Classifier）、最近邻分类器（Nearest Neighbour Classifier）以及支持向量机（Support Vector Machine）对样本进行分类，并对比分类正确率。实验结果表明，支持向量机在同等条件下具有优越的性能，与预先的假设相符。5．结论。最后，文章对课题研究所取得的成果进行了总结，简要概括了主要工作，并对该领域未来的发展趋势、所面临的挑战及需要解决的题目做了展望。本文针对具体的题目，从算法研究与具体实现两个方面着手，在总结相关领域现有研究成果与理论的基础上，结合课题的实际需求与对应的研究目标，在特征提取算法、分类识别算法、特征与特征向量选择方法、特征降维算法、最优小波基的选取等方面进行了深入的研究，有着若干的创新点，并属于理论在该领域的首次应用。本文提出的方法，能较好的刻画超声肝脏图像的纹理特性，并且在不同类别间具有较好的区分能力，提高了分类识别的正确率，具有研究与应用的价值。 |
上一篇：可交互真实感烟雾实时模拟方法的研究与实现下一篇：基于AADL的关键航空机载计算机软件系统分析与建模
|
发表于 2022-9-28 18:24:35
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
QQ登录
