基于支持向量機的連續超聲圖像集分割算法

劉 俊，李鵬飛

(武漢科技大學 計算機科學與技術學院，武漢 430081) (*通信作者電子郵箱807657578@qq.com)

基于支持向量機的連續超聲圖像集分割算法

劉 俊，李鵬飛*

(武漢科技大學 計算機科學與技術學院，武漢 430081) (*通信作者電子郵箱807657578@qq.com)

針對傳統的支持向量機(SVM)模型對連續超聲圖像集進行分割時需要為圖像集中每張圖片提取樣本點來建立分割模型的問題，提出了一個對整個連續超聲圖像集的統一的SVM分割模型。首先，從圖像的灰度直方圖中提取灰度特征作為表征圖像集中圖像連續性的特征；其次，從圖像集中選取部分圖像作為樣本，并從中提取像素點的灰度特征；最后，將各像素點的灰度特征與各像素點所在圖像中表征圖像集連續性的特征相結合，用SVM的方法訓練出分割模型對整個圖像集進行分割。實驗結果表明，與傳統SVM分割方法相比，新模型在面對大量的有連續變化的圖像集的分割問題上，大幅地減少了人工選取樣本點的工作量，并且在分割的準確率上也有保證。

支持向量機；圖像分割；圖像集分割；機器學習；特征提取

0 引言

圖像分割是圖像分析和處理中重要的一步。而圖像分割的過程，其實也是圖像中像素點聚類的過程。而隨著對圖像分割準確率要求的提高，傳統的閾值分割、邊緣分割以及水平集分割算法的分割能力就顯得力不從心，因此為了得到更好的聚類結果，機器學習中的一些聚類理論就應用在了圖像分割中。例如，模糊C均值聚類、馬爾可夫隨機場以及支持向量機(Support Vector Machine, SVM)。

SVM作為一種有監督的機器學習方法，是Vapnik在1995年為了檢測入侵數據提出的一種方法。該方法通過核函數將低維線性不可分的數據映射到高維空間，使得在高維空間找到能將數據分割的超平面，而此超平面就是對其他數據進行分類的分類器。而支持向量機在基于統計學理論的基礎上又與松弛變量技術相結合，使得其在誤差處理方面表現良好，因此越來越多的學者發現SVM在圖像分割上的優勢，并展開了深入的研究。如：文獻[1]將像素點及其周圍鄰域像素點的灰度值排列成特征向量進行訓練，該方法將圖像最基本的像素值作為特征，特征提取簡單，對像素對比度高的圖像有很好的效果，但不適用于邊緣對比度低的超聲圖像；文獻[2]則提取圖像的紋理和色彩作為訓練的特征向量，對具有規則紋理的彩色圖像具有良好的分割效果，但同樣不適用于變化不規則的灰度圖像；文獻[3]通過提取圖像中一種改進的超矩形進行訓練得到SVM模型，該方法通過提取形狀特征來處理一些不需要精確分割的實時問題；文獻[4]通過提取子塊的灰度均值和灰度標準差作為特征，該方法提取子塊的灰度統計特征，能在一定程度上反映圖像的灰度變化，但子塊的大小選取對圖像的分割結果有較大的影響；文獻[5]將圖像的相位一致性與灰度特征結合起來訓練圖像，相位一致性能較好地反映圖像像素的頻率特征，但特征提取較為復雜；文獻[6]則提出了一種區域增長和SVM相結合的分割方法，該方法將區域增長和SVM的優點相結合，在聯通區域良好分類的情況下，保證了較好的邊緣信息，但是依然存在區域生長中效率低下的問題。以上學者通過提取圖像中不同的特征，訓練出不同的SVM圖像分割模型，而這些模型的訓練樣本都是從單張圖片中提取的，得到的模型只能對相應圖片進行分割。對于大量的連續的圖片，使用上述模型分割時，就需要對每張圖片進行人工的樣本提取，為每張圖片訓練出單獨的分割模型。這種行為不僅耗費人力，而且由于需要人為地對訓練樣本進行分類，過于依靠人為經驗，增大了分割的風險和誤差。

針對醫學處理中大量的連續的超聲圖像集，本文結合圖像的整體灰度特征與圖片中像素的灰度特征，只對大量連續圖片中的部分圖片提取樣本，訓練出了一個可以對整個圖像集進行分割的SVM模型。而對于超聲圖像邊緣對比度低、噪聲干擾大的特點[7]，本文首先要對圖像進行預處理，提取囊括主要目標區域的圖像塊。然后從圖像塊的灰度直方圖中提取灰度特征，作為圖像的整體灰度特征。本文再根據連續圖像灰度特征的變化規律，將整個圖像集按其連續性排列成一個由多幅圖像組成的大圖像，而對一個圖像提取樣本點，就相當于在整個圖像集中選取部分圖像。然后，再從選出的圖像中提取樣本點，將樣本點的特征與對應圖像的整體特征相結合，就得到了整個圖像集的統一分割模型的訓練樣本。由于圖像的整體灰度特征可以由計算機運算得到，而圖像中樣本點則需要依靠人為經驗進行選取和分類。這樣就增加了計算機所需完成的工作而減少了選取樣本點所需要的人為工作量。最后，將得到的模型對圖像集中所有圖片進行分割，就得到了最終的結果。

1 傳統的SVM分割模型

SVM是一種通過最小化經驗風險和置信范圍來優化分類器分類能力的機器學習方法，因其對小規模樣本也能獲得良好的統計規律，在20世紀90年代中期開始興起，現在廣泛應用于分類和回歸問題，而圖像分割的問題也是一種將圖像中的像素點進行分類的問題。對于一張圖像I，設I(m,n)為圖像中第m行n列的像素點，x(m,n)為I(m,n)像素點的某種特征向量。傳統的SVM分割算法通過從已分類的訓練樣本集Itrain中提取對應的特征集合X，然后通過尋求最大幾何間隔γ來確定分類器函數中的參數w和b，最大幾何間隔γ求法如下[8]：

maxγ=max (1/‖w‖)

s.t.yi(wTxi+b)≥1;i=1,2,…,s

(1)

其中yi為Itrain中像素點的分類標簽，s為訓練樣本的個數，并假設：

(2)

因此，yi(wTxi+b)≥1(i=1,2,…,s)就表示Itrain所有點分類正確且其到分類超平面的幾何間隔都不小于最大幾何間隔γ[9]。最后用訓練得到的分類器f(x)對整張圖片I的所有像素進行分類，便得到了本文的分割結果。

從上文中可以看出：由于傳統的SVM分割算法只提取圖片中像素點的特征，因此訓練出來的分割模型只能對提取訓練樣本的圖片進行分割；面對連續變化的圖像集，傳統的SVM分割算法只能為圖像集的每張圖片訓練一一對應的模型進行分割，也就意味著需要對每張圖片進行樣本提取，耗費大量人力。

2 一種基于連續圖像集的SVM分割模型

本文充分利用此類圖像集連續性變化的特點，提出了一個對整個圖像集的統一分割模型。其實傳統的SVM分割模型也是利用了像素點的特征變化存在連續性的特點，比如像素點的灰度特征：由于圖片中相同區域的像素點的灰度值的變化是一個連續的、漸變的過程，因此把像素點的灰度值作為特征向量進行訓練。而對于一個連續的圖像集，可以將每張圖像當作一個塊，把某些能表示圖像集連續性的特征提取出來。然后依據這些特征，將這些作為塊的圖像排列起來，也即是將一整個圖像集中所有圖片按某種規則排列，組成一個更大的圖像。然后從這個組合圖像中提取像素點作為樣本，將像素點的特征與像素點所在圖像塊的特征相結合，組成一個新的樣本特征進行訓練，于是就得到了一個可以對整個圖像集中所有圖片進行分割的模型。

在對單張圖像通過提取單個像素點的灰度值作為訓練樣本時，并不需要將一幅圖像所有不同灰度值的像素點都提取出來作訓練，這是因為其灰度變化存在連續性。于是對于這個由連續圖像塊組成的代表整個圖像集的大圖像，也不需要對每個圖像塊都進行樣本的提取，于是便減少了人工提取樣本點的工作量。圖1分別是傳統的SVM分割模型和本文提出的對于圖像集的SVM分割模型的流程。

圖1 兩種不同分割模型的流程

從圖1可以看出，不論是傳統SVM分割模型還是本文提出的模型都需要從樣本圖像中提取特征，因此圖像的特征提取是SVM分割模型中重要的一步。圖像的特征多種多樣，既有圖像整體特征，也有圖像的局部特征，各種特征都有其適用范圍和優缺點，因此針對不同的圖像，要根據其特點選擇合適的特征進行提取。下一章將探討針對本文所研究的超聲圖像的特征提取問題[10]。

3 特征提取

3.1 圖像的整體灰度特征

為了表示本文研究的超聲圖像集的連續性，本文將圖像整體的灰度特征提取出來代表圖像集中每幅圖像的特征，圖像整體的灰度特征反映了整幅圖像中各灰度級的分布以及均勻程度。本文通過提取圖像的灰度直方圖來表示圖像各灰度級的統計特性，再從灰度直方圖中計算出均值、方差、偏度和峰度來表征各灰度級的分布特性[11]。

假設現有一幅灰度圖像I，該圖像有L個灰度級，ni表示圖像中第i個灰度級像素點的個數，則圖像的灰度直方圖用下面的式子定義：

(3)

由式(3)可知，灰度直方圖就是一個離散函數，反映了各灰度級在圖像中出現的頻率。為了更好地表示灰度直方圖中的信息，使得提取的灰度特征得到更好的表征，本文要利用到數學工具中的高階矩[12]。

在統計學中各階矩都有其對應的意義，一階矩表示均值，反映圖像的平均灰度值，如式(4)：

(4)

二階矩表示方差，反映圖像上各灰度級之間的離散情況，如式(5)：

(5)

三階矩表示偏度，反映圖像灰度級的不對稱程度，偏度值越大，灰度直方圖的中間灰度值的左右兩邊越不對稱，反之偏度值小，則越對稱，其公式表示如式(6)：

(6)

四階矩表示峰度，反映了圖像在均值灰度處的分布情況。峰度越大，在均值灰度處的像素分布數量越多，峰度越小，則像素分布數量越少，如式(7)：

(7)

由于本文研究的超聲圖像集存在的噪聲干擾大、邊緣灰度對比度低的問題，直接從圖像中提取特征不能很好地表征圖像的信息[13]，因此本文在進行圖像整體灰度特征提取之前，需要對圖像進行預處理。

首先通過雙峰法在圖像的灰度直方圖中尋找一個合適的閾值來對圖像進行初步的分割。但是由于超聲圖像灰度對比度低、灰度一致性較差，其灰度直方圖隨機波動較大，難以計算其波峰所在灰度級，所以要對初始的灰度直方圖進行平滑處理[14-15]。假設原始的灰度直方圖為式(3)中所定義的h(i)，平滑的規格系數為ε,那么平滑處理后的灰度直方圖h2表示如式(8)：

(8)

平滑處理過后的灰度直方圖雖然消除了一部分的隨機波動，但還是會出現多波谷的問題，因此要利用多個位于波谷位置的灰度級來計算出一個合適的灰度級作為閾值，從而對圖像進行初始分割。

假設在兩個波峰之間找到了ξ個波谷，設其所在灰度級為tr(p)(p=1,2,…,ξ)，則其灰度級所對應像素點出現的概率為h2(tr(p))(p=1,2,…,ξ)。利用加權平均的方法，像素點出現概率越小的灰度級權值越大，來計算出作為閾值的灰度級。設每一個位于波谷灰度級的權值為θp，則有：

(9)

則作為閾值的灰度值th的計算公式如式(10)：

(10)

在對初始分割后的圖像進行形態學上的膨脹處理，膨脹系數視圖像邊緣對比度的模糊程度來定，邊緣模糊程度大、對比度低，則膨脹系數大；反之，則膨脹系數小。膨脹處理的目的是為了使處理過后的圖像塊能夠將整個目標區域及一定程度上的背景區域囊括起來，這樣有兩個好處：

1)不會因為初始分割的閾值計算誤差損失目標區域的灰度信息，處理后的圖像塊更能代表該圖像。圖2為本文所使用的卵泡超聲圖像集中某圖片所對應的h2,h3的函數圖像，可見h3與h2相比，去掉了大部分背景部分的灰度信息，不僅減少了超聲圖像中大量的噪聲干擾，也使目標區域的灰度信息更為明顯。而對于本文以及大部分的圖像集來說，圖像集變化的連續性是由目標區域變化的連續性來體現的，因此，本文將膨脹處理過后的圖像塊的灰度直方圖h3作為提取整個圖像灰度特征的灰度直方圖。

圖2 某卵泡超聲圖片兩種不同的函數

2)從圖像塊中提取的樣本集擁有更小的最大幾何間隔γ。上文提到SVM模型通過求訓練樣本的最大幾何間隔，使得分類器具有最大確信度。而本文將在預處理之后得到的圖像塊上提取訓練樣本，使得背景區域的樣本點更逼近邊緣部分，即支持向量更接近分類超平面，縮小了訓練樣本的最大幾何間隔，一定程度上增強了分類器對模糊邊緣的分割能力[16]。

3.2 圖像像素的灰度特征

圖像像素的灰度特征就是圖像中各像素點灰度值的大小，也有學者將像素點周圍鄰域的像素點灰度值一起作為該像素點的灰度特征。圖像的灰度特征反映了圖像的亮度變化，本文中按照下述方法提取圖像像素的灰度特征。

假設gray(x)表示像素點x的灰度值。以該點為中心點取一個k×k的矩形區域，其中k為奇數，因此可以得到包括中心點在內k2個像素值，將這k2個像素值按順序排列，記作Gk(x)，作為該像素點的灰度特征。而當m=1時的圖像像素的灰度特征就是單個像素的灰度值gray(x)，這是一種特殊情況。

3.3 特征組合

在3.1節和3.2節中提取了圖像的整體灰度特征和圖像像素的灰度特征，現在需要將兩種特征進行組合以方便后續工作中處理。

假設現在要對一組有α張圖像的圖像集進行樣本提取。先把每張圖片按3.1節的方法預處理，然后提取該圖像的均值u、方差σ、偏度u3和峰度u4。然后從該圖片中提取像素點，并記錄其像素特征G。設圖像的整體灰度特征為T，那么T=(u,σ,u3,u4)，即圖像的均值、方差、偏度和峰度的線性組合。再將圖像像素的灰度特征G與其對應圖像的整體灰度特征T進行線性組合，得到本文中所需要的訓練特征，設為R,那么R=(G,T)。這樣就把兩種特征組合起來了。

而此時已經將本文所需要的特征提取出來了，并進行了組合。下一步便是SVM的關鍵所在，通過核函數將線性不可分的特征向量從低維空間映射到高維空間，使其在高維空間中能找到一個超平面將提取的特征向量分離開來。而在將特征向量映射之前，還需要將特征向量進行歸一化，以便于計算機對數據的處理。接下來著重探討了核函數以及歸一化的問題。

4 核函數與歸一化

4.1 核函數

通過對圖像進行特征提取，就得到了該圖像的特征向量，即式(1)中的x。但是式(1)中的求解方法是在樣本的特征數據線性可分的情況下，面對線性不可分的數據，就需要引入核函數將問題推廣到高維，然后在高維空間中尋找線性可分的超平面。SVM中常用的核函數有線性核函數、多項式核函數和高斯核函數。其中高斯核函數適應性好，對沒有先驗知識的數據可以得到較為平滑的估計[17]，所以本文選擇高斯核函數，其具體公式：

(11)

而高斯核函數性能的好壞，很大程度上取決于尺度參數σ的大小[18-19]，因此為了選擇合適的尺度參數σ，需要用本文的訓練樣本來測試分割模型的準確率，即進行交叉驗證[20-21]。在不停地迭代中，不斷優化參數。

4.2 歸一化

由于提取的特征向量x中各列特征的數值范圍不同，為了保證在上文提到的參數尋優中，收斂更快、數據處理更方便，需要對特征向量進行歸一化，將特征向量各元素控制在一定的范圍內[22]。歸一化公式如下：

(12)

5 實驗結果與分析

5.1 仿真環境

實驗基于的硬件環境為Intel Core i5- 6300HQ CPU 2.30 GHz,RAM 8 GB的個人筆記本電腦。本文所采用的分割算法以及對比實驗均是在Matlab R2015a軟件上模擬運行的。

5.2 兩種模型對圖像集的分割結果

本文的實驗樣本是100張150×200分辨率的黃牛卵泡超聲圖像集。先計算出100張圖像的整體灰度特征，將其歸一化，再把歸一化后的特征記為T。再從圖像集的每張圖像中選取10個目標區域點和10個背景區域點，記錄下k=1，3，5時的鄰域點的灰度值作為圖像像素點的灰度特征，歸一化后分別記為G1，G3，G5。再將各像素點的灰度特征G與其對應圖像的整體灰度特征T組合起來，記作R1=(T,G1)，R3=(T,G3)，R5=(T,G5)。

從圖像集中隨機抽取20張圖像，分別用其特征R1，R3，R5作為訓練樣本。先對3個訓練樣本進行參數尋優，得到其最優的懲罰因子c和參數g，表1為其各特征對應的最優參數。

表1 各特征對應的最優參數

然后將各訓練樣本用對應的核函數進行訓練，得到3個不同的訓練模型。然后對圖像集中所有圖片用3種模型分別進行分割，得到3種不同的分割結果。然后再用傳統的分割方法，將G1、G3、G5作為訓練樣本為每一張圖像訓練出單獨的模型,這樣又得到了另外3種模型。圖3為圖像集中某張圖片被各種不同模型分割的結果。

圖3 各模型對卵泡圖像的分割結果

為了得到客觀的評價標準，本文引入Dice相似系數[23]，如式(13)所示：

(13)

并且為了描述訓練出來的分割模型對整個圖像集的分割準確率，本文引入了平均分割準確率。假設一個圖像集中含有α張圖像，DSCi為第i張圖片的Dice相似系數，則平均分割準確率的公式為：

(14)

其中：R表示實驗得到的分割區域的集合，S表示醫生手動框選的目標區域的集合。將各模型對圖像分割的結果與醫生手動框選的卵泡區域進行比較，表2為各模型對整個圖像集中所有共100張圖片的分割平均準確率。

表2 各模型對圖像集的平均分割準確率 %

本文提取圖像的整體灰度特征只是為了表示圖像集中圖像的連續性。不同種類的圖像集，表示圖像連續性的特征不同。而對同一種類的圖像集，也可以用不同的特征表示其圖像的連續性。比如本文除了可以用圖像的整體灰度特征來表示圖像的連續性，也可以用上文中預處理之后圖像塊的面積大小表示，將面積大小特征記為S。再將特征S與特征G組合起來，記作D1=(S,G1)，D3=(S,G3)，D5=(S,G5)。

與上文一樣，隨機抽取20張圖像作為訓練樣本。提取圖像中各模型所對應的特征向量，并為其參數進行尋優，將參數代入核函數中對訓練樣本進行訓練，得到分割模型。使用不同的分割模型得到不同的分割結果，計算其平均準確率。如表3所示。

表3 第二次實驗中各模型對圖像集分割的平均準確率 %

從表3數據中可以得到與上文相同的結論。而將上面兩個實驗聯系起來，發現不論用何種特征，只要此特征的變化能體現圖像集中圖像連續性的變化，那么就可以用到本文的模型中，因此對于不同種類的圖像集，要針對此圖像集的特點提取合適的特征來表征圖像集的連續性。

5.3 訓練樣本占圖像集比例與平均分割準確率的關系

上文的實驗中在為本文所提出的模型選取樣本時，都是從100張的圖像集中隨機抽取20張圖像作為訓練樣本，即訓練樣本的數量占圖像集的20%。當改變本文的訓練樣本所占圖像集的比例時，訓練出來的模型對圖像集的分割準確率也會有所改變。按理論來說，當增大訓練樣本占圖像集的比例時，訓練出來的分割模型的分割準確率會增加；反之，當降低訓練樣本占圖像集的比例時，分割的準確率也會相應減少，因此為了探究訓練樣本所占圖像集比例與對應訓練出來的分割模型對圖像集分割準確率之間的關系，找到對于本文所用圖像集來說較為合適的比例，為以后使用不同的圖像集時提供一個參考。

改變訓練樣本所占比例，從圖像集中隨機抽取占圖像集比例為10%、15%、20%、25%、…、55%、60%的圖像作為不同的樣本集，并且從樣本集中提取D5，D3，D1作為訓練特征進行訓練。圖4為用不同特征訓練分割模型時樣本比例與模型對圖像集的平均分割準確率之間的關系。

圖4 各分割模型的樣本比例與平均分割準確率之間的關系

從圖4中可以看出，隨著訓練樣本占圖像集比例的增加，訓練出來的模型對圖像集的平均分割準確率也隨之上升，但是增長速度逐漸變緩，因此在保證一定的分割準確率的前提下，使用本文提出的分割模型對圖像集進行分割時，建議在抽取作為訓練樣本的圖像時，其比例應占圖像集的20%到35%為佳。

圖5中為使用D5作為特征，在樣本圖像占圖像集比例分別為10%、20%、30%、40%、50%和60%時所訓練出來的分割模型對圖像集中另一張卵泡圖片的分割結果。

其對應的不同樣本比例的模型對該圖片的分割準確率分別為96.69%、97.07%、97.41%、97.58%、97.66%、97.71%。該結果所擬合的曲線與圖4中D5曲線的變化趨勢大致相符，說明了增加訓練樣本占圖像集的比例，有助于提高訓練出來的模型對圖像的分割準確率，但是準確率的提高速度會逐漸變緩，因此在保證精度的前提下，選擇合適的樣本比例有助于減少提取樣本的工作量。

為了驗證該方法在其他圖像集是否也能保證較高的平均分割準確率，本文再次使用D5作為特征，對另一圖像集進行分割，并計算其在樣本比例為10%、25%、40%、60%的平均分割準確率，其結果為96.38%、97.02%、97.23%，97.44%。圖6為另一圖像集中的一張圖片的分割結果。

圖5 不同樣本比例的模型對卵泡圖片的分割結果

圖6 不同樣本比例的模型對另一圖像集中圖像的分割結果

與圖4中的D5曲線以及圖5中的圖像的分割結果相比較發現，其分割準確率的數值都在96%到98%之間，因此本文方法對不同的圖像集也有一定的適應性，并能保證較高的平均分割準確率。

6 結語

本文提出的一個對連續圖像集的整體SVM分割模型與傳統的SVM分割模型相比，通過將能表征圖像集中圖像之間連續性的特征提取出來，與表示圖像中像素點的特征相結合，組成一個新的特征。而在使用新的特征提取樣本時，就不需要對圖像集中所有圖像進行樣本點的提取，減少了人工選取樣本點的工作量。然而對于不同的圖像集，表征圖像集中圖像連續性的特征可能不同，表征圖像中像素點的特征也可能不同，因此并不能找到一個特定的特征來對所有圖像集進行處理，于是在處理不同的圖像集時，也應遵循該圖像集的特點尋找合適的特征。

本文的不足之處在于，在圖像集中隨機抽取樣本時候，在比例一定的情況下，每次抽取的樣本卻不一樣。例如上面兩個實驗中同樣是用D5、D3、D1作為特征進行提取，在同為20%的樣本比例下，得到的平均分割準確率卻不一樣。雖然兩次結果相差無幾，但也證明了樣本的選擇對分割的準確率存在一定的影響，因此在確定了樣本所占圖像集比例的情況下，以何種方法選擇樣本，如何選擇樣本能使平均分割準確率提高，便是接下來要研究的問題。

References)

[1] REYNA R A, HERNANDEZ N, ESTEVE D, et al. Segmenting images with support vector machines [C]// Proceedings of the 2000 International Conference on Image Processing. Piscataway, NJ: IEEE, 2000, 1: 820-823.

[2] YANG H Y, WANG X Y, WANG Q Y, et al. LS-SVM based image segmentation using color and texture information [J]. Journal of Visual Communication & Image Representation, 2012, 23(7): 1095-1112.

[3] MITERAN J, BOUILLANT S, BOURENNANE E. SVM approximation for real-time image segmentation by using an improved hyperrectangles-based method [J]. Real-Time Imaging, 2003, 9(3): 179-188.

[4] CHEN X, TIAN J. Segmentation of fingerprint images using linear classifier [J]. EURASIP Journal on Advances in Signal Processing, 2004, 2004(4): 1-15.

[5] 鄧曉飛,徐蔚鴻.一種結合多特征的SVM圖像分割方法[J].計算機工程與科學,2013,35(2):154-158.(DENG X F,XU W H.An SVM image segmentation method using multi-features [J]. Computer Engineering & Science, 2013, 35(2): 154-158.)

[6] 薛志東，隋衛平，李利軍.一種SVM與區域增長相結合的圖像分割方法[J].計算機應用,2007,27(2):463-465.(XUE Z D, SUI W P, LI L J. Interactive segmentation method with SVM and region growing [J]. Journal of Computer Applications, 2007, 27(2): 463-465.)

[7] MICHAILOVICH O V, TANNENBAUM A. Despeckling of medical ultrasound images [J]. IEEE Transactions on Ultrasonics Ferroelectrics & Frequency Control, 2006, 53(1): 64-78.

[8] 薛志東,王燕,李利軍.SVM圖像分割方法的研究[J].微計算機信息,2007,23(24):306-308.(XUE Z D, WANG Y, LI L J. The research on SVM segmentation method [J]. Microcomputer Information, 2007, 23(24): 306-308.)

[9] MITRA P, SHANKAR B U, PAL S K. Segmentation of multispectral remote sensing images using active support vector machines [J]. Pattern Recognition Letters, 2004, 25(9): 1067-1074.

[10] 曹健,李海生,蔡強,等.圖像目標的特征提取技術研究[J].計算機仿真,2013,30(1):409-414.(CAO J, LI H S, CAI Q, et al. Research on feature extraction of image target [J]. Computer Simulation, 2013, 30(1): 409-414.)

[11] 郝衍,朱信忠,趙建民,等.基于圖像顏色直方圖及紋理特征提取的興趣點凸包檢索方法[J].微型電腦應用,2011,27(6):42-45.(HAO Y, ZHU X Z, ZHAO J M, et al. Home point retrieval method based on color histogram and texture feature extraction [J].Microcomputer Applications, 2011, 27 (6): 42-45.)[12] PATRICIO M A, MARAVALL D. Segmentation of text and graphics/images using the gray-level histogram Fourier transform [C]// Proceedings of the 2000 Joint IAPR International Workshops on Statistical Techniques in Pattern Recognition (SPR) and Structural and Syntactic Pattern Recognition (SSPR). Berlin: Springer, 2000: 757-766.

[13] BAI X, WANG W. Saliency-SVM: an automatic approach for image segmentation [J]. Neurocomputing, 2014, 136(8): 243-255.

[14] HUTCHINSON M F, HOOG F R D. Smoothing noisy data with spline functions [J]. Numerische Mathematik, 1985, 47(1): 99-106.

[15] 芮杰,吳冰,秦志遠,等.一種穩健的自適應圖像平滑算法[J].中國圖象圖形學報,2005,10(1):54-58.(RUI J, WU B, QIN Z Y, et al. A robust adaptive image smoothing algorithm [J]. Journal of Image and Graphics, 2005, 10(1): 54-58.)

[16] 彭新俊,王翼飛.間隔v-支持向量機及其幾何問題[J].模式識別與人工智能,2009,22(1)：8-16.(PENG X J, WANG Y F. Total marginv-support vector machine and its geometric problem [J]. Pattern Recognition & Artificial Intelligence, 2009, 22(1): 8-16.)

[17] 奉國和.SVM分類核函數及參數選擇比較[J].計算機工程與應用,2011,47(3):123-124.(FENG G H. Parameter optimizing for support vector machines classification [J]. Computer Engineering and Applications, 2011, 47(3): 123-124.)

[18] 盧照敢,許春梅,孫楠,等.采用改進高斯核的MLS-SVM人臉表情識別算法[J].計算機科學,2014,41(s1):132-134.(LU Z G, XU C M, SUN N, et al. Improved face emotion identification algorithm by MLS-SVM with modified Gauss kernel function [J]. Computer Science, 2014, 41(s1): 132-134.)

[19] MCFEETERS S K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features [J]. International Journal of Remote Sensing, 1996, 17(7): 1425-1432.

[20] LI J, WANG H, LI S. Microscopic image segmentation method based on SVM [J]. International Journal of Signal Processing, Image Processing and Pattern Recognition, 2016, 9(2): 179-188.

[21] TIAN X, HU T. A method of debris image segmentation based on SVM [C]// IMSCCS’06: Proceedings of the First International Multi-Symposiums on Computer and Computational Sciences. Piscataway, NJ: IEEE, 2006: 307-311.

[22] 王行甫,陳家偉.基于高斯核的SVM的參數選擇[J].計算機系統應用,2014,23(7):242-245.(WANG X F, CHEN J W. Parameter selection of SVM with Gaussian kernel [J]. Computer Systems & Applications, 2014, 23(7): 242-245.)

[23] MIZUSHIMA A, LU R. An image segmentation method for apple sorting and grading using support vector machine and Otsu’s method [J]. Computers & Electronics in Agriculture, 2013, 94: 29-37.

This work is partially supported by the National Natural Science Foundation of China (31201121), Innovation Fund of Wuhan University of Science and Technology (14ZRA082).

LIUJun, born in 1977, Ph. D., associate professor. His research interests include image processing, image segmentation, image detection, image denoising, machine learning.

LIPengfei, born in 1993, M. S. candidate. His research interests include image processing, image segmentation, machine learning.

Continuousultrasoundimagesetsegmentationmethodbasedonsupportvectormachine

LIU Jun, LI Pengfei*

(CollegeofComputerScienceandTechnology,WuhanUniversityofScience&Technology,WuhanHubei430081,China)

A novel Support Vector Machine (SVM)-based unified segmentation model was proposed for segmenting a continuous ultrasound image set, because the traditional SVM-based segmenting method needed to extract sample points for each image to create a segmentation model. Firstly, the gray feature was extracted from the gray histogram of the image as the characteristic representing the continuity of the image in the image set. Secondly, part images were selected as the samples and the gray feature of each pixel was extracted. Finally, the gray feature of the pixel was combined with the feature of image sequence continuity in the image where each pixel was located. The SVM was used to train the segmentation model to segment the whole image set. The experimental results show that compared with the traditional SVM-based segmentation method, the new model can greatly reduce the workload of manually selecting the sample points when segmenting the image set with large quantity and continuous variation and guarantees the segmentation accuracy simultaneously.

Support Vector Machine (SVM); image segmentation; image set segmentation; machine learning; feature extraction

TP751; TP391.413

:A

2017- 01- 05;

:2017- 02- 25。

國家自然科學基金資助項目(31201121)；武漢科技大學創新基金資助項目(14ZRA082)。

劉俊(1977—)，男，湖北武漢人，副教授，博士，主要研究方向：圖像處理、圖像分割、圖像檢測、圖像去噪、機器學習； 李鵬飛(1993—)，男，湖北安陸人，碩士研究生，主要研究方向：圖像處理、圖像分割、機器學習。

1001- 9081(2017)07- 2089- 06

10.11772/j.issn.1001- 9081.2017.07.2089