医学图像特征级融合在医学领域中有重要的地位,首先给出了医学图像特征级融合流程图;然后对医学图像特征级融合技术进行探讨;其次,将特征变换方法归纳为基于核函数、非线性流行学习、不确定性和仿生学等四类,并分别进行了总结;再次,将特征选择方法归纳为基于启发式搜索、完全式搜索和随机搜索等三类,并对其中典型的粗糙集、遗传算法进行了讨论;最后对医学图像特征级融合技术进行总结和展望。 医学图像特征级融合框架下特征变换和特征选择方法的理论发展和前沿成果,从中发现一些不足和难点,并进行探讨。1医学图像特征级融合特征级融合包括特征变换和特征选择。特征变换是将原始特征空间映射到低维空间中[3],减少特征空间维数,去除相关或冗余特征,达到数据压缩的目的,包括线性方法和非线性方法两大类。特征选择是根据计算方法从给定的特征中选出能够有效识别目标的最小特征子集,包括候选特征子集的生成、子集评价本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name、停止准则、验证方法4个步骤。如图1所示,给出了特征级医学图像融合流程图。图1特征级医学图像融合流程图1.1特征变换特征变换是将数据从原始特征空间映射到低维特征空间中,可以有效地降低特征空间维数和消除特征之间可能存在的相关性,减少特征中的无用信息。在计算机辅助诊断领域,人们提出了很多特征变换算法[4]。本文对特征变换算法进行梳理总结(包括一些改进算法),分为线性与非线性方法,根据基于核函数的方法、图像中的应用研究-电动折弯机数控滚圆机滚弧机张家港电动滚圆滚弧机折弯机非线性流行学习的方法等将非线性方法分为4大部分,由于线性方法只能简单找出数据间的线性关系,对于生活中许多数据如文本数据、图形数据、视频数据、语言数据等以高维向量的形式进行存储的[5]无方向、杂乱的数据,则无法挖掘出其中的非线性关系,而非线性方法在处理大数据量问题时有其独特的优势,具有运算快、易求全局最优解等优点[5],是重要的处理方法,逐渐成为研究人员研究的热点。下面着重对非线性方法的应用现状做详细的分析总结。本文给出特征变换算法分类图,如图2所示。1.1本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name.1基于核函数的方法核函数方法(KernelFunctionMethod,KFM)作为一类新的特征变换算法,无需先验知识,核函数的形式?自组织映射的数据聚类和可视化方法的效果优于传统方法。近年来,为提高人工神经网络的效率,人工神经网络与其他方法模型如模糊系统、遗传算法、模拟退火算法、进化机制等相结合是其研究的重要方向,如遗传算法、退火算法与人工神经网络相结合提高逼近精度,遗传算法与人工神经网络结合使收敛速度得到提高[74];非下采样与脉冲神经网络结合实现CT与磁共振图像良好的融合效果[75]。医学图像融合提高了成像质量、医学诊断和医疗评估的临床适用性[76]。图4给出基于人工神经网络分类图。图4基于人工神经网络分类图1.2特征选择特征选择是指从原始特征中选择最少的特征,使所选特征与类别之间具有最大相关度,特征与特征之间具有最小相关度。特征选择是模式识别的关键问题之一,特征选择结果的好坏直接影响着分类器的分类精度和泛化性能[77]。图5给出特征选择的基本框架。1.2.1候选特征子集的生成特征选择根据思想不同可以分为特征优选和特征劣眩特征优选是指从原始特征中选出性能较好的特征子集,特征劣选是指从原始特征中剔除冗余或无关的特征子集。候选特征子集的生成是特征选择算法的基础和关键步骤,给出常用的特征子集搜索算法,如图6所示。候选特征子集是特征选择的关键和重要步骤,从目前的研究成果可以看出,在特征选择中随机搜索算法和启发式搜索算法及其改进算法应用广泛。通过对特征子集搜索算法进行扩展导致多种不同的特征选择算法,并且特征选择算法还结合机器学习等新型软计图像中的应用研究-电动折弯机数控滚圆机滚弧机张家港电动滚圆滚弧机折弯机本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name