資源描述：
《基于NSCT-GLCM的CT圖像特征提取算法-論文.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、ComputerEngineeringandApplications計(jì)算機(jī)工程與應(yīng)用基于NSCT-GLCM的CT圖像特征提取算法張人上ZHANGRenshang山西財(cái)經(jīng)大學(xué)信息管理學(xué)院，太原030006FacultyofInformationManagement，ShanxiUniversityofFinanceandEconomics，Taiyuan030006，ChinaZHANGRenshang．FeaturesextractionalgorithmofCTimagebasedonGNSCT-LCM．C
2、omputerEngineeringandApplications，2014，50(11)：159—162．Abstract：FeatureextractionisakeyproblemforthemassCTimagesegmentation，anovelfeaturesextractionalgorithmofCTimageisproposedbasedonNon-SubsampledContourletTransform(NSCT)andGrayLevelCo．occurrenceMatrix(GLCM
3、)inthispaper．Firstly，CTimageismulti—scale，multidirectiondecomposedbytheNSCT，andtheCO．occurrencefeaturesofsub—imagesareextractedbyGLCM，andthentheredundantfeaturesareeliminatedbytheprincipalcomponentanalysisandfeaturevectorsarecomposed，finallyCTimageissegment
4、edbythesupportvectormachinebasedonmulti_featurevectorspace．TheexperimentalresultsshowthattheproposedalgorithmcanextractfeaturesofCTimage，andhasimprovedthesegmentationaccuracyofCTimages，canprovideassistedinformationforthedoctordiagnosis．Keywords：imagesegment
5、ation；non—subsampledcontourlettransform；graylevelCO-occurrencematrix；featureextracted；featuresfuSion摘要：針對(duì)海量CT圖像分割中特征提取的難題，提出一種非下采樣輪廓變換(NSCT)和灰度共生矩陣(GLCM)~]融合的CT圖像特征提取算法。首先采用NSCT對(duì)CT圖像進(jìn)行多尺度、多方向分解，并采用GLCM提取子帶圖像的共生特征量，然后對(duì)共生特征量進(jìn)行主成分分析，消除冗余特征量，構(gòu)成多特征矢量，最后利用支持向量機(jī)完成
6、多特征矢量空間的劃分，實(shí)現(xiàn)CT圖像分割。實(shí)驗(yàn)結(jié)果表明，NSCT-GLCM能夠較好地提取CT圖像特征，提高了CT圖像分割準(zhǔn)確率，可以為醫(yī)生診斷提供輔助信息。關(guān)鍵詞：圖像分割；非下采樣輪廓變換；灰度共生矩陣；特征提??；特征融合文獻(xiàn)標(biāo)志碼：A中圖分類號(hào)：TP391doi：10．3778／j．issn．1002．8331．1310．0292隨著各種影像檢查技術(shù)成熟，醫(yī)院收集了海量的彥芳提出在小波細(xì)節(jié)子帶中使用GLCM提取紋理共生CT圖像影，如何對(duì)這些圖像進(jìn)行挖掘，幫助醫(yī)生診斷病特征，但僅用小波細(xì)節(jié)子帶不足以描述不同的
7、紋理細(xì)節(jié)；例具有十分重要的意義。圖像分割是采用CT圖像進(jìn)行付增良等人提出7個(gè)共生特征的CT圖像分割方法。心臟疾病診斷的基礎(chǔ)，因此提高CT圖像分割準(zhǔn)確率已采樣輪廓變換(Non．SubsampledContourletTransform，成為一個(gè)重要的研究課題。。NSCT)作為一種多尺度幾何分析工具，具有對(duì)曲線奇異實(shí)際CT圖像分割實(shí)際是一種多分類問題，CT圖像性函數(shù)的最優(yōu)表示形式，可克服小波變換的上述不足”。特征提取是基礎(chǔ)和關(guān)鍵。CT圖像的紋理信息非常豐為此，有學(xué)者等提出一種NSCT和支持向量機(jī)(Support富
8、，灰度共生矩陣(GrayLevelCo．occurrenceMatrix，VectorMachine，SVM)相融合的圖像分割算法，但僅提取GLCM)是描述紋理的常用方法，但其對(duì)紋理特征的描圖像的多尺度紋理特征，而忽略了紋理的空間結(jié)構(gòu)信息n”。述不夠細(xì)致，致使其用于特征提取不夠好。很多學(xué)者為了提高CT圖像的分割準(zhǔn)確率，提出一種NSCT利用小波變換的多分辨優(yōu)點(diǎn)，與GLCM相結(jié)合提取CT和GLCM相融合
