-
基于LBP和极限学习机的脑部MR图像分类
- 何其佳,刘振丙,徐涛,蒋淑洁
-
2017, 47(2):
86-93.
doi:10.6040/j.issn.1672-3961.1.2016.282
-
摘要
(
1547 )
PDF (1548KB)
(
873
)
收藏
-
参考文献 |
相关文章 |
多维度评价
为解决磁共振(magnetic resonance, MR)脑部图像来源不一以及病变位置和形态不固定造成MR脑部图像分类精度不高的问题,提出基于局部二值模式(local binary pattern, LBP)的纹理特征提取,并用极限学习机(extreme learning machine, ELM)对MR图像分类。计算图像感兴趣区域(region of interest, ROI)的掩码,将图像分成扇形的子区域,统计掩码坐标下各块子区域的LBP直方图,连接所有LBP直方图作为特征向量通过ELM进行分类。相比以前的方法,该方法能够计算颅脑内局部纹理特征,能分类来源不一以及多种病变的图像。对脑部MR图像分类进行试验,对所有样本分类正确率超过92%,正类样本正确率超过93%,负类样本正确率超过91%。试验结果表明,该方法能够对较为复杂的MR图像进行正确分类。