分割虛擬人切片數據的ＳＶＭ多類分割方法
2007-12-31 00:00:00薛志東隋衛平李利軍
計算機應用研究 2007年8期
摘要：針對虛擬人切片數據量大、解剖結構復雜等特點，對分割虛擬人切片圖像的基于二叉樹SVM多類分割方法進行研究。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慣，而且能獲得較高的分割性能和質量。通過對該方法的性能分析，為組織高效的二叉樹SVM多類分割方法提供了理論支持。
關鍵詞：數字虛擬人； 支持向量機； 多分類； 圖像分割
中圖分類號：TP391.41文獻標志碼：A
文章編號：1001－3695(2007)08－0223－03
0引言
數字虛擬人體的研究是集生命科學、計算機科學等多學科的前沿研究領域。切片數據的分割是該研究中最基礎、最重要的部分。支持向量機（SVM）方法[1]以其優良的性能已經被應用于虛擬人數據集的圖像分割中[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多分類的過程。開發一種適合分割虛擬人切片圖像的SVM多類分割方法，將進一步促進支持向量機在虛擬人切片數據分割的應用。
支持向量機作為一種二分類方法，已被擴展到多分類領域[4]。當前主要有兩種類型的SVM多分類方法：構建和組合多個二分類分類器，如oneagainstone、oneagainstall、DAG￣SVM方法等；在一個優化方程中直接考慮所有的多類數據，該類方法企圖一步解決多分類問題。然而這些已有SVM多分類方法是從分類的角度開展研究工作的，并沒有考慮到特定的應用背景。虛擬人切片圖像數據有其自身的特點，需根據這些特點選擇合適的SVM多分類方法進行分割。
研究人員使用虛擬人數據集致力于建立精細的人體解剖模型，但該過程不可能一蹴而就，而是一個長期的、由簡到繁的過程。因此逐一地從序列切片中分割目標區域更符合人們分割虛擬人圖像的思維習慣。另外，海量的虛擬人數據集，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多類分類器對虛擬人切片數據進行分割研究。基于二叉樹的SVM多分類方法已有報道[5~8]。文獻[5]組織三個SVM對航拍圖片進行分類。文獻[6]在分析已有SVM多分類方法優缺點的基礎上，設計新的基于二叉樹的SVM多分類方法。文獻[7，8]給出了采用聚類分析構建二叉樹的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構建二叉樹結構的，也是從分類的角度開展研究的。由于分割虛擬人切片的數據量巨大，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目的實際應用特點。
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多類分割方法對虛擬人切片數據進行分割，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提供了理論依據。試驗表明，與已有oneagainstone、oneagainstall、DAGSVM等方法比較，該方法也能取得令人滿意的分割結果。
1方法
1．1虛擬人數據集分割特點
虛擬人數據集包括CT、MRI及彩色冰凍切片等數據。其中彩色冰凍切片數據信息豐富，是重建三維可視人體的基礎。在對虛擬人切片的分割中，若將每一切片從數據所有解剖結構逐一分割完畢后再進行三維重建，可能無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少數的或某一具體組織器官感興趣，如果采用oneagainstone、oneagainstall、DAGSVM等方法進行分割，勢必要將圖像中的所有類（組織）分割出來，才能完成三維重建。這不僅會造成分割效率低下，而且會因為不同切片數據間的顏色失真、位置旋轉等問題，增加三維重建的難度。逐一從序列切片中分割出目標區域更符合虛擬人切片圖像分割的要求，且有如下優點：可利用前期分割的部分結果對圖像進行配準，利用空間相似性對其他組織目標進行分割更加方便；可利用連續的序列切片間在顏色與空間上的相似性，降低分割難度；可使分割數據集逐漸減小，符合虛擬人海量數據的處理要求，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多類分割方法的優化
按占圖像概率大小依次提取目標，可有效地減少訓練和待分類樣本，但不一定是最優的組合方式。僅從提高計算性能角度出發，按照Huffman樹組織的SVM多分類器是更優的組合形式。但是，該方法可能導致形成了多對多的SVM多分類，不利于從虛擬人切片數據中直觀地提取某一感興趣區域，也限制了人機交互。二叉樹SVM多類分割方法雖然尋找的是次優解，但方便直觀，符合虛擬人圖像分割的需要。
另外，按各類區域所占百分比的大小組織二叉樹的SVM多類分割方法，雖具有減少處理數據量、求解SVM分類器個數少、提高計算性能的優點，但沒有考慮到每一個SVM分類器是否能有效分割出單一的感興趣區域。畢竟通過分類得到滿意的分割結果才是研究的最終目標。在實際應用中應選擇較容易分割，而且占比例較大的組織區域先進行分割，這樣可兼顧分割質量與速度。可以將有關聚類分析的方法與處理性能分析的方法組合在一起設計更好的SVM多分類器。
3結束語
虛擬人切片數據具有信息豐富、數據量大、多類（組織）等特點，對其分割需綜合考慮分割質量、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域的習慣，能綜合利用數據的特點，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果。在虛擬人圖像分割中，按目標區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。在實際分割中，優先分割特征明顯、區域目標較大，可以保證方法有較好的分割速度和分割質量。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，以便設計更好的基于二叉樹的SVM多分類分割方法。
參考文獻：
［1］張學工.關于統計學習理論與支持向量機[J].自動化學報，2000，26(1):32－41.
[2］薛志東，李利軍，李衷怡，等.利用支持向量機分割虛擬人切片數據[J].計算機應用研究，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分割[J].華中科技大學學報：自然科學版，2006，34(1):42－45.
[4］HSU C W， LIN C J. A comparison of methods for mutliclass 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]. 計算機應用， 2005，25(11):2653－2654，2657.
[8］唐發明，王仲東，陳綿云. 一種新的二叉樹多類支持向量機算法[J].計算機工程與應用，2005，41(7):24－26.
[9］ZHONG Shizhen， 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、公式等內容請以PDF格式閱讀原文”
