PSO-SVM算法在肝脏B超图像识别中的应用
为提高肝脏B超图像的诊断准确率,研究了将粒子群算法(Particle Swarm Optimization,PSO)和支持向量机(Support Vector Machine,SVM)相结合进行肝脏B超图像识别的方法;该方法首先提取肝脏B超图像的空域和频域的纹理特征,然后运用SVM对108幅肝脏B超图像进行分类,利用PSO算法优化SVM的模型参数,最后将该方法与基于网格搜索法优化的SVM和基于BP神经网络的分类方法进行了对比;实验结果表明,在PSO- SVM算法下,所提取的两种纹理特征相结合能够有效地描述肝脏B超图像,基于粒子群优化算法的支持向量机模型具有较高的识别精度,平均分类准确率达94.44%,这就表明PSO- SVM算法适用于对肝脏B超图像的识别.
支持向量机、粒子群优化算法、灰度共生矩阵、小波变换
20
TP391.41(计算技术、计算机技术)
2013-01-05(万方平台首次上网日期,不代表论文的发表时间)
共4页
2491-2493,2500