基于mRMR和SVM的弹性图像特征选择与分类

丁建睿，黄剑华，刘家锋，张英涛

(哈尔滨工业大学计算机科学与技术学院，150001哈尔滨)

特征选择是图像识别系统中的重要组成部分，根据特征选择准则是否依赖于学习算法，特征选择方法可以分为:Filter模型、Wrapper模型和混合模型［1］.最小冗余最大相关(mRMR)［2］是基于互信息(Mutual Information)的特征选择方法，它根据最大统计依赖性准则来选择特征.支持向量机(SVM)［3］在很大程度上解决了过学习、非线性及维数灾难等模式识别中存在的问题，是目前针对小样本估计和预测的最佳分类方法［4］.mRMR与SVM结合的特征选择与分类方法已成功应用到地表分类［5］、遥感图像分类［6］和X光图像分类中［7］.

弹性成像是测量生物组织的弹性信息并将其可视化的一项新技术，其概念最早由Ophir［8］于1991年提出，经过算法的不断改进，目前已成功应用于临床.T.Shiina等［9］提出的彩色弹性成像技术将弹性图像上的像素根据其弹性幅值编码到256级伪彩色，颜色从红到蓝，代表组织从软到硬，彩色弹性图像半透明的叠加到超声图像上.

本文针对目前临床上评价弹性图像存在的问题，利用CAD技术对弹性图像进行分析，提出了一种新的客观、定量评价弹性图像的方法.首先从彩色图像中解码得到弹性信息，然后提取病变区域的弹性特征，包括一阶统计特征和纹理特征，为选取与分类最相关且相互间冗余度低的特征子集，采用最小冗余最大相关(mRMR)特征选择算法，获得优化特征子集，最后采用带有核函数的SVM分类器对样本进行……