分割虛擬人切片數(shù)據(jù)的ＳＶＭ多類分割方法

摘要：針對(duì)虛擬人切片數(shù)據(jù)量大、解剖結(jié)構(gòu)復(fù)雜等特點(diǎn)，對(duì)分割虛擬人切片圖像的基于二叉樹SVM多類分割方法進(jìn)行研究。基于二叉樹的SVM多類分割方法較其他SVM多分類方法更符合人們分割虛擬人切片圖像的習(xí)慣，而且能獲得較高的分割性能和質(zhì)量。通過(guò)對(duì)該方法的性能分析，為組織高效的二叉樹SVM多類分割方法提供了理論支持。

關(guān)鍵詞：數(shù)字虛擬人； 支持向量機(jī)； 多分類； 圖像分割

中圖分類號(hào)：TP391.41文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001－3695(2007)08－0223－03



0引言

數(shù)字虛擬人體的研究是集生命科學(xué)、計(jì)算機(jī)科學(xué)等多學(xué)科的前沿研究領(lǐng)域。切片數(shù)據(jù)的分割是該研究中最基礎(chǔ)、最重要的部分。支持向量機(jī)（SVM）方法[1]以其優(yōu)良的性能已經(jīng)被應(yīng)用于虛擬人數(shù)據(jù)集的圖像分割中[2，3]。虛擬人彩色冰凍切片圖像包含了多類組織，而且同一組織器官中的不同區(qū)域可能具有不同的顏色紋理；另外，不同的組織器官又可能具有相似的顏色紋理特征。因而虛擬人切片圖像分割是一個(gè)多分類的過(guò)程。開(kāi)發(fā)一種適合分割虛擬人切片圖像的SVM多類分割方法，將進(jìn)一步促進(jìn)支持向量機(jī)在虛擬人切片數(shù)據(jù)分割的應(yīng)用。

支持向量機(jī)作為一種二分類方法，已被擴(kuò)展到多分類領(lǐng)域[4]。當(dāng)前主要有兩種類型的SVM多分類方法：構(gòu)建和組合多個(gè)二分類分類器，如oneagainstone、oneagainstall、DAG￣SVM方法等；在一個(gè)優(yōu)化方程中直接考慮所有的多類數(shù)據(jù)，該類方法企圖一步解決多分類問(wèn)題。然而這些已有SVM多分類方法是從分類的角度開(kāi)展研究工作的，并沒(méi)有考慮到特定的應(yīng)用背景。虛擬人切片圖像數(shù)據(jù)有其自身的特點(diǎn)，需根據(jù)這些特點(diǎn)選擇合適的SVM多分類方法進(jìn)行分割。

研究人員使用虛擬人數(shù)據(jù)集致力于建立精細(xì)的人體解剖模型，但該過(guò)程不可能一蹴而就，而是一個(gè)長(zhǎng)期的、由簡(jiǎn)到繁的過(guò)程。因此逐一地從序列切片中分割目標(biāo)區(qū)域更符合人們分割虛擬人圖像的思維習(xí)慣。另外，海量的虛擬人數(shù)據(jù)集，也要求分割方法有較快的分割速度。本文使用基于二叉樹的方法組織SVM多類分類器對(duì)虛擬人切片數(shù)據(jù)進(jìn)行分割研究。基于二叉樹的SVM多分類方法已有報(bào)道[5~8]。文獻(xiàn)[5]組織三個(gè)SVM對(duì)航拍圖片進(jìn)行分類。文獻(xiàn)[6]在分析已有SVM多分類方法優(yōu)缺點(diǎn)的基礎(chǔ)上，設(shè)計(jì)新的基于二叉樹的SVM多分類方法。文獻(xiàn)[7，8]給出了采用聚類分析構(gòu)建二叉樹的SVM多分類方法。這些已有方法主要是以提高分類算法的推廣性來(lái)構(gòu)建二叉樹結(jié)構(gòu)的，也是從分類的角度開(kāi)展研究的。由于分割虛擬人切片的數(shù)據(jù)量巨大，不僅要考慮算法分類效果，也要考慮算法的分類速度。另外，二叉樹的組織形式也要符合項(xiàng)目的實(shí)際應(yīng)用特點(diǎn)。

本文從虛擬人切片圖像分割的具體要求入手，采用基于二叉樹的SVM多類分割方法對(duì)虛擬人切片數(shù)據(jù)進(jìn)行分割，并從提高分類速度的角度分析基于二叉樹SVM多分類器的性能，為組織此類分類器快速完成分割任務(wù)提供了理論依據(jù)。試驗(yàn)表明，與已有oneagainstone、oneagainstall、DAGSVM等方法比較，該方法也能取得令人滿意的分割結(jié)果。

1方法

1．1虛擬人數(shù)據(jù)集分割特點(diǎn)

虛擬人數(shù)據(jù)集包括CT、MRI及彩色冰凍切片等數(shù)據(jù)。其中彩色冰凍切片數(shù)據(jù)信息豐富，是重建三維可視人體的基礎(chǔ)。在對(duì)虛擬人切片的分割中，若將每一切片從數(shù)據(jù)所有解剖結(jié)構(gòu)逐一分割完畢后再進(jìn)行三維重建，可能無(wú)法利用相同組織在空間位置上的相似性。研究人員也可能只對(duì)少數(shù)的或某一具體組織器官感興趣，如果采用oneagainstone、oneagainstall、DAGSVM等方法進(jìn)行分割，勢(shì)必要將圖像中的所有類（組織）分割出來(lái)，才能完成三維重建。這不僅會(huì)造成分割效率低下，而且會(huì)因?yàn)椴煌衅瑪?shù)據(jù)間的顏色失真、位置旋轉(zhuǎn)等問(wèn)題，增加三維重建的難度。逐一從序列切片中分割出目標(biāo)區(qū)域更符合虛擬人切片圖像分割的要求，且有如下優(yōu)點(diǎn)：可利用前期分割的部分結(jié)果對(duì)圖像進(jìn)行配準(zhǔn)，利用空間相似性對(duì)其他組織目標(biāo)進(jìn)行分割更加方便；可利用連續(xù)的序列切片間在顏色與空間上的相似性，降低分割難度；可使分割數(shù)據(jù)集逐漸減小，符合虛擬人海量數(shù)據(jù)的處理要求，提高分割速度。采用二叉樹的方法組織SVM多類分割方法可以較好地滿足這種需求。

2．3基于二叉樹的SVM多類分割方法的優(yōu)化

按占圖像概率大小依次提取目標(biāo)，可有效地減少訓(xùn)練和待分類樣本，但不一定是最優(yōu)的組合方式。僅從提高計(jì)算性能角度出發(fā)，按照Huffman樹組織的SVM多分類器是更優(yōu)的組合形式。但是，該方法可能導(dǎo)致形成了多對(duì)多的SVM多分類，不利于從虛擬人切片數(shù)據(jù)中直觀地提取某一感興趣區(qū)域，也限制了人機(jī)交互。二叉樹SVM多類分割方法雖然尋找的是次優(yōu)解，但方便直觀，符合虛擬人圖像分割的需要。

另外，按各類區(qū)域所占百分比的大小組織二叉樹的SVM多類分割方法，雖具有減少處理數(shù)據(jù)量、求解SVM分類器個(gè)數(shù)少、提高計(jì)算性能的優(yōu)點(diǎn)，但沒(méi)有考慮到每一個(gè)SVM分類器是否能有效分割出單一的感興趣區(qū)域。畢竟通過(guò)分類得到滿意的分割結(jié)果才是研究的最終目標(biāo)。在實(shí)際應(yīng)用中應(yīng)選擇較容易分割，而且占比例較大的組織區(qū)域先進(jìn)行分割，這樣可兼顧分割質(zhì)量與速度。可以將有關(guān)聚類分析的方法與處理性能分析的方法組合在一起設(shè)計(jì)更好的SVM多分類器。

3結(jié)束語(yǔ)

虛擬人切片數(shù)據(jù)具有信息豐富、數(shù)據(jù)量大、多類（組織）等特點(diǎn)，對(duì)其分割需綜合考慮分割質(zhì)量、分割速度等因素。基于二叉樹組織SVM多分類器符合人們直觀提取組織區(qū)域的習(xí)慣，能綜合利用數(shù)據(jù)的特點(diǎn)，較其他SVM多分類方式有較高的分割性能和令人滿意的分割結(jié)果。在虛擬人圖像分割中，按目標(biāo)區(qū)域由大到小依次提取的方式，可以最大程度地提高該方法的分割速度。在實(shí)際分割中，優(yōu)先分割特征明顯、區(qū)域目標(biāo)較大，可以保證方法有較好的分割速度和分割質(zhì)量。在后期的工作中，需綜合考慮該方法的分類性能和處理速度性能，以便設(shè)計(jì)更好的基于二叉樹的SVM多分類分割方法。

參考文獻(xiàn)：

［1］張學(xué)工.關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J].自動(dòng)化學(xué)報(bào)，2000，26(1):32－41.

[2］薛志東，李利軍，李衷怡，等.利用支持向量機(jī)分割虛擬人切片數(shù)據(jù)[J].計(jì)算機(jī)應(yīng)用研究，2006，23（4）:45－47.

[3］薛志東，李利軍，邱德紅，等.基于SVM的虛擬人彩色切片圖像自動(dòng)分割[J].華中科技大學(xué)學(xué)報(bào)：自然科學(xué)版，2006，34(1):42－45.

[4］HSU C W， LIN C J. A comparison of methods for mutliclass support vector machines[J]. IEEE Transaction on Neural Network， 2002，13(2):415－425.

[5］XU Fang， LI Xin， YAN Qin. Aerial images segmentation based on SVM[C]//Proc of International Conference on Machine Learning and Cybernetics. Xi’an: Institute of Electrical and Electronics Engineers， 2003: 2207－2210.

[6］安金龍，王正歐，馬振平. 一種新的支持向量機(jī)多類分類方法[J].控制與信息，2004，33(4):262－267.

[7］孟媛媛，劉希玉. 一種新的基于二叉樹的SVM多類分類方法[J]. 計(jì)算機(jī)應(yīng)用， 2005，25(11):2653－2654，2657.

[8］唐發(fā)明，王仲東，陳綿云. 一種新的二叉樹多類支持向量機(jī)算法[J].計(jì)算機(jī)工程與應(yīng)用，2005，41(7):24－26.

[9］ZHONG Shizhen， YUAN Lin， TANG Lei， et al. Research report of experimental database establishment of digitized virtual chinese No.1 female[J]. Journal of First Military Medical University， 2003，23(3)：196－200.

注：“本文中所涉及到的圖表、注解、公式等內(nèi)容請(qǐng)以PDF格式閱讀原文”