基于支持向量機的虛擬人切片圖像分割研究.pdf

1、“數(shù)字化虛擬人”項目對研究人類自身的生命活動具有重要意義，它是建立在“可視人”這一解剖框架之上的。而彩色冰凍切片圖像分割是三維重建“可視人”的一個最基礎(chǔ)、最關(guān)鍵的部分，也成為目前虛擬人應(yīng)用的瓶頸。因而研制具有較高自動化程度的交互式分割或自動分割方法，對促進(jìn)虛擬人數(shù)據(jù)集的廣泛應(yīng)用有重要的價值。本文針對虛擬人數(shù)據(jù)集的特點，采用基于支持向量機的方法開展虛擬人彩色切片數(shù)據(jù)分割的研究。本文主要工作包括： （1）提出了一種適合對虛擬人數(shù)據(jù)分

2、割的SVM 多類分割方法。典型的SVM 多分類方法，是針對分類問題提出的，對分割復(fù)雜的、海量的虛擬人數(shù)據(jù)，其在分割質(zhì)量和分割速度上都有待提高。本文提出了一種改進(jìn)的二叉樹SVM 多類分割方法。根據(jù)性能分析，當(dāng)按目標(biāo)區(qū)域占圖像的比例由大到小分割，可最大程度地降低這種方法處理的數(shù)據(jù)量，從而提高分割速度。 （2）對比研究了基于SVM 的彩色圖像分割方法與基于灰度直方圖的全局門限值分割方法的異同?；赟VM 的彩色圖像分割方法在本質(zhì)上是在

3、有監(jiān)督條件下，將彩色圖像轉(zhuǎn)化為單色SVM 圖像，然后在該圖像上使用符號函數(shù)作為全局門限進(jìn)行分割。SVM分割方法可有效解決基于灰度直方圖分割方法中求全局門限值困難的問題，而且可以采用其它分割方法對SVM 圖像進(jìn)一步分割。 （3）提出了適合虛擬人切片圖像特點的選擇SVM 訓(xùn)練樣本的方法，并給出尋找SVM 核及相關(guān)參數(shù)的方法。海量的切片數(shù)據(jù)不允許使用復(fù)雜的特征提取方法，可采用在RGB 或HIS 顏色空間直接提取特征。本文提出的逆C 均

4、值樣本篩選方法和基于支持向量機的樣本篩選方法等，對通過交互方法選擇的訓(xùn)練樣本進(jìn)行篩選，可有效地減少計算時間，提高分類質(zhì)量?？赏ㄟ^交叉驗證實驗方法尋找合適的SVM 核函數(shù)及核參數(shù)、懲罰參數(shù)。高斯核在參數(shù)有較大變化時，其分類結(jié)果比較穩(wěn)定。 （4）給出了三種與SVM 相結(jié)合的分割方法。SVM 與區(qū)域生長相結(jié)合的方法，可把與目標(biāo)組織同特征的其它區(qū)域從分割結(jié)果中剔除，又可將為SVM 選擇訓(xùn)練樣本和為區(qū)域生長法選擇種子點合二為一，提高了算法

5、自動分割能力?；诜炙畮X決策的SVM 分割方法，可以克服符號函數(shù)作為全局門限值不能區(qū)分SVM 圖像局部區(qū)域變化的問題，能進(jìn)一步標(biāo)識細(xì)小組織區(qū)域。第三種方法綜合使用了SVM 圖像和灰度圖像的優(yōu)點，使用分水嶺算法進(jìn)行后處理，使分割結(jié)果更準(zhǔn)確。 （5）提出了一種基于SVM 的自動分割虛擬人序列切片方法。該方法定義了切片相似性測度，給出自動采樣方法，利用序列切片之間在顏色和空間上相似性進(jìn)行自動分割。首先通過人機交互的方式訓(xùn)練SVM 分類