学位论文 > 优秀研究生学位论文题录展示

基于支持向量机的真实头模型三维重建方法的研究

作　者: 郭磊
导　师: 颜威利
学　校: 河北工业大学
专　业: 电工理论与新技术
关键词: 图像滤波图像分割图像三维重建支持向量机免疫算法免疫适配模板滤波维权重免疫支持向量机免疫球形支持向量机
分类号: TP391.41
类　型: 博士论文
年　份: 2007年
下　载: 350次
引　用: 1次
阅　读: 论文下载

内容摘要

支配人类一切活动的中枢是高度进化的大脑。脑科学研究的任务就是采用各种现代科学方法来揭示脑功能的奥秘,在生命科学中具有重大的意义。其中,对脑内三维电场的分析是当前研究的热点。而该项研究的先决条件就是首先要构造出人类真实的头模型。本课题运用支持向量机理论,利用核磁共振(Magnetic Resonance Imaging, MRI)图像序列成功地构造出颅内7类组织的真实模型。本课题主要在以下几个方面展开研究:(1)MRI图像滤波:对MRI图像滤波可以获取高质量图像,为后期高精度的图像分割和重建奠定基础。MRI图像最重要的特征就是灰度的复杂变化,使传统的滤波方法不能适应这种复杂图像。本课题采用适配模板滤波算法,该算法不仅能有效地滤除噪声,而且还能最大程度的保留有用信息。但该算法中阈值选取是一个复杂的问题,直接影响着滤波的效果。本课题将免疫算法和适配模版滤波算法有机结合,提出免疫适配模版滤波算法,有效地解决了阈值选取问题,使适配模版滤波方法更加完善。实验结果表明,免疫模板滤波算法取得了满意的滤波效果,无论从视觉效果上还是滤波性能上,均优于传统滤波算法,是一种适合复杂医学图像处理的滤波方法。(2)MRI图像分割:在数据预处理方面,由于支持向量机推广能力在很大程度上依赖于特征向量的选取及其空间分布,本课题为每个像素计算其各种纹理测度和由灰度派生出的统计参数作为特征向量,并应用主成分分析方法进行特征降维。经主成分分析处理后的数据不仅消除特征向量中线性相关的冗余成分,使数据量大大减少,增强了图像信息,并使得为支持向量机所准备的样本空间更为紧凑、合理。这也正是将主成分分析与支持向量机技术有机结合,以寻求更高推广能力的本质原因。在头颅MRI图像中,颅内各组织的边界极其复杂且不规则,呈高度非线性。这对传统的分割算法提出了严峻的挑战。支持向量机恰恰在解决高维、非线性及不规则分类问题上具有强大的优势。本课题运用支持向量机理论对MRI图像进行分割。本课题经过对人工免疫系统原理以及支持向量机理论的深入研究,结合多学科知识,最终提出一套完整的维权重免疫支持向量机理论和算法。维权重免疫支持向量机的提出打破了长期以来支持向量机参数选择依赖手工调节、缺乏理论指导的局面,同时突破了支持向量机对各维特征向量对最终分类精度的贡献平等的传统思想,首次提出维权重概念,并结合免疫优化理论,成功地解决了支持向量机参数与维权重系数的联动优化问题,完善了支持向量机理论。运用维权重免疫支持向量机,仅利用T2加权MRI图像将颅内7类组织全部分割出来,并且取得了较为满意的推广精度,为后期的高精度地真实头模型的三维重建奠定坚实基础。从目前所查阅的资料来看,还没有学者仅利用T2加权MRI图像分割出7类脑组织,并且也没有发现利用T2加权MRI图像分割出灰质和白质的文献。(3)MRI图像三维重建:颅内各组织的二维边界呈高度非线性,必将导致颅内各组织三维曲面的高度不规则,主要表现在显著的且频繁的曲率变化以及曲面的不连续性上。而重建如此高度非线性的三维曲面是图像三维重建领域的难点问题。这就对传统的三维重建方法提出了严峻的挑战,甚至无法实现。而支持向量机在解决高度非线性问题上有着其强大的优势。通过对本课题具体问题的细致分析和对支持向量机理论的深入研究,首次将球形支持向量机理论引入到图像三维重建领域中,将三维不规则组织映射到高维空间获得规则超球,描述高维空间最优超球面的函数即为颅内组织的三维数学模型。为解决球形支持向量机参数选取问题,将免疫优化算法与球形支持向量机算法相结合,提出免疫球形支持向量机算法,对颅内各组织进行三维数学建模,并获得较高的建模精度。最后对颅内7类组织进行三维可视化处理。

全文目录

摘要  4-6
ABSTRACT  6-10
第一章绪论  10-26
  §1-1 课题的来源及背景  10-12
  §1-2 数字图像处理方法介绍  12-23
    1-2-1 图像滤波方法  12-17
    1-2-2 图像分割方法  17-21
    1-2-3 图像三维重建方法  21-23
  §1-3 本文的主要内容及创新点  23-26
    1-3-1 本文的主要内容  23-24
    1-3-2 本文的主要创新点  24-26
第二章基于免疫适配模板滤波方法的 MRI 图像滤波  26-52
  §2-1 背景知识  26-29
    2-1-1 MRI成像原理简介  26-27
    2-1-2 MRI图像的噪声来源  27-28
    2-1-3 图像噪声的基本知识  28-29
  §2-2 人工免疫系统原理  29-41
    2-2-1 生物免疫系统  29-34
    2-2-2 人工免疫系统  34-41
  §2-3 基于免疫适配模板滤波方法的 MRI 图像滤波  41-50
    2-3-1 MRI图像数据来源  42
    2-3-2 适配模板滤波算法  42-44
    2-3-3 基于免疫优化算法的适配模板滤波阈值选取  44-48
    2-3-4 实验结果及分析  48-50
  §2-4 本章小节  50-52
第三章基于维权重免疫支持向量机的 MRI 图像分割  52-94
  §3-1 图像分割的基础知识  52-54
    3-1-1 图像分割的概念  52-53
    3-1-2 图像分割技术的类型及其特点  53-54
  §3-2 统计学习理论与支持向量机  54-72
    3-2-1 机器学习的基本问题和方法  55-59
    3-2-2 统计学习理论  59-62
    3-2-3 支持向量机  62-72
  §3-3 MRI 图像数据预处理  72-77
    3-3-1 特征向量提取  72-75
    3-3-2 主成分分析  75-77
  §3-4 基于多分类支持向量机的 MRI 图像分割  77-83
    3-4-1 多分类支持向量机  77-79
    3-4-2 基于一对多策略的多分类支持向量机  79-81
    3-4-3 实验结果及分析  81-83
  §3-5 基于维权重免疫支持向量机的 MRI 图像分割  83-92
    3-5-1 免疫支持向量机  83-84
    3-5-2 维权重免疫支持向量机  84-88
    3-5-3 实验结果及分析  88-92
  §3-6 本章小结  92-94
第四章基于免疫球型支持向量机的 MRI 图像三维重建  94-104
  §4-1 球形支持向量机理论  94-97
  §4-2 免疫球形支持向量机的图像三维建模  97-99
  §4-3 实验结果及分析  99-103
  §4-4 本章小结  103-104
第五章总结与展望  104-106
  §5-1 课题的主要研究成果  104-105
  §5-2 研究工作展望  105-106
参考文献  106-111
致谢  111-112
攻读博士学位期间所取得的相关科研成果  112

基于支持向量机的真实头模型三维重建方法的研究

内容摘要

全文目录

相似论文