基于SVM的肺部CT图像特征提取及分类研究的中期报告.docx

基于SVM的肺部CT图像特征提取及分类研究的中期报告 本次中期报告主要介绍了基于SVM的肺部CT图像特征提取及分类研究的研究进展。具体来说，本研究的目标是通过肺部CT图像的特征提取和分类，实现对肺部疾病的自动诊断。 在本次研究中，我们首先收集了大量的肺部CT图像数据集，并对其进行了预处理，包括图像去噪、图像增强、肺部区域提取等操作。接着，我们使用了多种图像特征提取方法，包括HOG（方向梯度直方图）、LBP（局部二值模式）和GLCM（灰度共生矩阵）等。 接下来，我们使用支持向量机（SVM）算法对所提取的图像特征进行分类。SVM是一种强大的监督学习算法，可以在高维空间中找到最优的分类边界，并将样本分为两个类别。本研究中，我们使用了SVM进行肺部CT图像的分类，将其分为正常和异常两类，其中异常包括肺炎、肺结核等。 通过实验结果的分析，我们发现使用HOG和LBP特征提取方法均能得到较好的分类结果，但是使用GLCM方法提取的特征分类结果不佳。此外，我们还发现对于不同的肺部疾病，所提取的特征和分类结果也有所不同。 总的来说，本研究旨在通过肺部CT图像的特征提取和分类，实现对肺部疾病的自动诊断。我们将继续改进实验设计，完善特征提取和分类方法，并优化算法参数，以进一步提高肺部CT图像分类的准确性和可靠性。