一种基于李群核学习的医学图像分类方法

1.本发明涉及图像分类的技术领域，尤其涉及一种基于李群核学习的医学图像分类方法。


背景技术：

2.得益于数字医学成像在现代医疗领域的快速发展，医学图像的可及性和准确性越来越高，医学图像分析在大多数计算机辅助诊断、医学图像检索和医学数据挖掘中发挥着越来越重要的作用。医学图像分类是医学图像分析中不可缺少的重要步骤，其目的是根据一定的标准(如临床病理或成像方式)对医学图像进行区分。医学图像通常包含大量的纹理，这使得用简单的观察或传统的分类方法对图像进行分类不可靠，甚至不可能。一种能够产生准确分类并对不同医学成像模式具有鲁棒性的专用方法对于快速准确地解释医学图像至关重要。
3.医学图像分类已经用不同的方法进行了大量的研究。文献中的研究通常属于以下两类之一:基于人工特征的传统方法和使用cnn的基于深度学习的方法。
4.人工特征是指人工设计的图像属性，这些属性是利用图像本身呈现的信息从图像中派生出来的。手工制作的特征表示使用一个或多个低层图像特征(如颜色、纹理和形状)作为描述符来检测图像的显著区域，即手工制作的特征表示。通常，传统方法将手工特征表示与svm、主成分分析(pca)和线性判别分析(lda)等标准分类器结合在一起。这些传统方法的三个局限性包括：(1)严重依赖先前的经验信息；(2)忽略图像中不同区域和特征之间的关系；(3)对大的旋转和剧烈的光照变化很敏感。
5.基于深度学习的方法提供了统一的特征提取和分类框架。采用分层机制提取特征，将提取的特征转化为更抽象、更高级的特征。当应用于医学图像分类和分析时，现有的基于深度学习的方法往往有两个主要的局限性：(1)类内变化和类间相似性对成像方式和临床病理的多样性非常敏感；(2)往往忽略图像的局部区域信息，因为它们总是有太多的模型参数来解释下层特征学习，而只使用网络模型的最终连接层的输出作为全局特征表示来进行分类预测。有时，一种方法可能在一个医学图像数据集上获得最佳分类结果，但在另一个数据集上却失败了。


技术实现要素：

6.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
7.鉴于上述现有存在的问题，提出了本发明。
8.因此，本发明解决的技术问题是：现有技术存在对于医学图像分类不可靠的问题。
9.为解决上述技术问题，本发明提供如下技术方案一种基于李群核学习的医学图像分类方法，包括：
10.获取图像的低层图像特征，并基于图像特征表示为李群矩阵；
11.通过训练图像集获得svm分类器的模型参数和每个类别的支点；
12.根据在李群流形上利用李群核函数计算类别支点与每个待分类图像之间的测地线距离，选择svm或者knn分类器对图像进行分类。
13.作为本发明所述的基于李群核学习的医学图像分类方法的一种优选方案，其中：所述低层图像特征包括用rgb和ycr模型描述的颜色、一阶和二阶梯度、用gabor和lbp滤波器描述的纹理；
14.对一幅图像的每个像素点(x,y)计算所述低层图像特征；
15.所述gabor特征的计算公式表示为：
[0016][0017]
其中，ω
x
为正弦波的频率，σ为高斯函数再x和y方向上的标准差，θ为滤波器的方向。
[0018]
作为本发明所述的基于李群核学习的医学图像分类方法的一种优选方案，其中：将计算完低层特征的图像像素点表示为特征向量，所示特征向量表示为：
[0019][0020]
其中，和是沿着x和y方向的一阶梯度，和是沿着x和y方向二阶梯度，是一阶梯度的平方和，是一阶梯度比率的反正切函数。
[0021]
作为本发明所述的基于李群核学习的医学图像分类方法的一种优选方案，其中：对图像的多个相关特征的组合进行统计得到图像的协方差特征，所述协方差特征包括：
[0022]
一系列d通道特征向量的协方差是一个d
×
d矩阵，其中对角线项表示每个特征向量的方差，非对角线项表示每对向量之间的属性相关性；
[0023]
对于n像素的图像，协方差矩阵c表示为：
[0024][0025]
其中，fk为一个d维的特征向量，μ为所有特征向量的平均向量，表示为：
[0026][0027]
作为本发明所述的基于李群核学习的医学图像分类方法的一种优选方案，其中：
对协方差矩阵c进行cholesky分解，得到李群sog矩阵特征，所述李群sog矩阵特征表示为：
[0028][0029]
其中，r是c的cholesky分解，c＝rr
t
，是一个特殊结构的上三角矩阵。
[0030]
作为本发明所述的基于李群核学习的医学图像分类方法的一种优选方案，其中：通过训练图像集获得svm模型的支持矩阵，两个图像sog矩阵mi和mj在流形上的距离表示为：
[0031]dlg
(mi,mj)＝||log2(mj)-log2(mi)||2[0032]
两个图像的相似程度通过李群rbf核函数衡量表示为：
[0033][0034]
其中，γ为尺度系数。
[0035]
作为本发明所述的基于李群核学习的医学图像分类方法的一种优选方案，其中：在一个svm模型中，一个数据样本可通过一个超平面区分，需满足如下条件：
[0036][0037]
利用拉格朗日算子将所述条件转换成一个拉格朗日优化方程，表示为：
[0038][0039]
其中，αi为拉格朗日算子，为训练集中一个图像样本的sog矩阵，n为训练集的大小，yi为类别标签，取值1或-1；
[0040]
通过所述拉格朗日优化方程分别对ω和b求导并让结果为0，表示为：
[0041][0042][0043]
作为本发明所述的基于李群核学习的医学图像分类方法的一种优选方案，其中：通过利用核函数表达的矩阵相似关系以及求导的结果，所述拉格朗日优化方程改写为：
[0044][0045][0046]
其中，c是一个惩罚系数；
[0047]
改写后的拉格朗日优化方程的最优解表示为：
[0048][0049]
所述svm模型判别方程的两个参数分别表示为：
[0050][0051][0052]
每个类别的支撑矩阵表示为：
[0053][0054]
作为本发明所述的基于李群核学习的医学图像分类方法的一种优选方案，其中：分别测量每个待分类图像到正类支点m
+
和负类支点m-的测地线距离，然后计算两个距离的差值，所述差值表示为：
[0055][0056][0057]
当dif(m)大于等于阈值时,待分类图片远离超平面，选择svm分类器；
[0058]
当dif(m)小于阈值时，待分类图片靠近超平面，选择knn分类器。
[0059]
作为本发明所述的基于李群核学习的医学图像分类方法的一种优选方案，其中：当选择svm分类器对图像做分类时，矩阵为m
x
的待测图像的类别通过决定函数决定，所述决定函数表示为：
[0060][0061]
当选择knn分类器对图像做分类时，通过计算待测图像m
x
到各个类别支点mg的距离，然后对所有距离按从小到大进行排序，并保存在数组中，最后选择数组中前k个距离对应的类别对待测图像进行类别判定，所述距离表示为：
[0062][0063]
本发明的有益效果：本发明提供的一种基于李群核学习的医学图像分类方法通过采用sog的李群特征对图像的颜色、梯度、形状特征和关联信息进行编码，将不同特征形成一个紧凑的医学图像表示方法，有效解决了当前方法“忽略图像中不同区域和特征之间的关系”的不足；将图像映射到李群流形上，并用李群核函数衡量不同图像之间的相似程度，有效解决了当前方法对“大的旋转和剧烈的光照变化很敏感”的不足；将svm分类器与knn分类器相结合，提高了分类器的准确率，解决了svm超平面附近的不平衡分类和knn分类器的高错分率；本发明分类准确度方面均优于传统的图像分类方法，相比人工神经网络的方法，对训练数据和过程依赖更小，泛化性和可部署性都更强。
附图说明
[0064]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0065]
图1为本发明一个实施例所述的基于李群核学习的医学图像分类方法的整体流程图；
[0066]
图2为本发明一个实施例所述的基于李群核学习的医学图像分类方法的李群核学习图像分类方法的示意图；
[0067]
图3为本发明一个实施例所述的基于李群核学习的医学图像分类方法的数据样本与正负两个类别支点的距离示意图；
[0068]
图4为本发明一个实施例所述的基于李群核学习的医学图像分类方法的使用roc曲线来说明分类器的性能示意图；
[0069]
图5为本发明一个实施例所述的基于李群核学习的医学图像分类方法的混淆矩阵及roc曲线示意图。
具体实施方式
[0070]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
[0071]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0072]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0073]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0074]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0075]
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0076]
实施例1
[0077]
参照图1—3，为本发明的第一个实施例，该实施例提供了一种基于李群核学习的医学图像分类方法，其特征在于，包括：
[0078]
s1：获取图像的低层图像特征，并基于图像特征表示为李群矩阵；
[0079]
更进一步的，低层图像特征包括用rgb和ycr模型描述的颜色、一阶和二阶梯度、用gabor和lbp滤波器描述的纹理；
[0080]
对一幅图像的每个像素点(x,y)计算所述低层图像特征；
[0081]
所述gabor特征的计算公式表示为：
[0082][0083]
其中，ω
x
为正弦波的频率，σ为高斯函数再x和y方向上的标准差，θ为滤波器的方向。
[0084]
应说明的是，lbp特征记录的是邻域像素点和中心像素点的差值，因此当光照变化引起窗口内的像素点的灰度值同步增大或减小时，lbp值变化不明显，故而lbp对光照变化不敏感。
[0085]
更进一步的，将计算完低层特征的图像像素点表示为特征向量，所示特征向量表示为：
[0086][0087]
其中，和是沿着x和y方向的一阶梯度，和是沿着x和y方向二阶梯度，是一阶梯度的平方和，是一阶梯度比率的反正切函数。
[0088]
更进一步的，对于灰度图像来说，上式中关于颜色模型的6个分量用像素的强度值替换。
[0089]
更进一步的，对图像的多个相关特征的组合进行统计得到图像的协方差特征，所述协方差特征包括：
[0090]
一系列d通道特征向量的协方差是一个d
×
d矩阵，其中对角线项表示每个特征向量的方差，非对角线项表示每对向量之间的属性相关性；
[0091]
对于n像素的图像，协方差矩阵c表示为：
[0092]
[0093]
其中，fk为一个d维的特征向量，μ为所有特征向量的平均向量，表示为：
[0094][0095]
更进一步的，对协方差矩阵c进行cholesky分解，得到李群sog矩阵特征，所述李群sog矩阵特征表示为：
[0096][0097]
其中，r是c的cholesky分解，c＝rr
t
，是一个特殊结构的上三角矩阵。
[0098]
应说明的是，为了考虑在表示图像时不同区域和特征之间的关系，本发明构造了一种称为sog的李群特征，该特征是由计算图像特征向量的协方差导出的。
[0099]
s2：通过训练图像集获得svm分类器的模型参数和每个类别的支点；
[0100]
更进一步的，通过训练图像集获得svm模型的支持矩阵，两个图像sog矩阵mi和mj在流形上的距离表示为：
[0101]dlg
(mi,mj)＝||log2(mj)-log2(mi)||2[0102]
两个图像的相似程度通过李群rbf核函数衡量表示为：
[0103][0104]
其中，γ为尺度系数。
[0105]
应说明的是，由于图像都使用sog矩阵表达，所以都在李群流形上。
[0106]
更进一步的，在一个svm模型中，一个数据样本可通过一个超平面区分，需满足如下条件：
[0107][0108]
利用拉格朗日算子将所述条件转换成一个拉格朗日优化方程，表示为：
[0109][0110]
其中，αi为拉格朗日算子，为训练集中一个图像样本的sog矩阵，n为训练集的大小，yi为类别标签，取值1或-1；
[0111]
通过所述拉格朗日优化方程分别对ω和b求导并让结果为0，表示为：
[0112][0113][0114]
更进一步的，通过利用核函数表达的矩阵相似关系以及求导的结果，所述拉格朗日优化方程改写为：
[0115]
[0116][0117]
其中，c是一个惩罚系数；
[0118]
改写后的拉格朗日优化方程的最优解表示为：
[0119][0120]
所述svm模型判别方程的两个参数分别表示为：
[0121][0122][0123]
每个类别的支撑矩阵表示为：
[0124][0125]
s3：根据在李群流形上利用李群核函数计算类别支点与每个待分类图像之间的测地线距离，选择svm或者knn分类器对图像进行分类。
[0126]
更进一步的，分别测量每个待分类图像到正类支点m
+
和负类支点m-的测地线距离，然后计算两个距离的差值，所述差值表示为：
[0127][0128][0129]
当dif(m)大于等于阈值时,待分类图片远离超平面，选择svm分类器；
[0130]
当dif(m)小于阈值时，待分类图片靠近超平面，选择knn分类器。
[0131]
应说明的是，当测试数据样本集中在最优超平面附近时，svm分类器更有可能给出错误的预测。为了解决这一问题，本发明提出的方法是将svm分类器与knn分类器结合起来，更好地利用超平面附近支持矩阵提供的信息。更具体地说，该算法将svm分类器视为1nn分类器，在流形上每个类只选择一个具有代表性的支点。
[0132]
更进一步的，当选择svm分类器对图像做分类时，矩阵为m
x
的待测图像的类别通过决定函数决定，所述决定函数表示为：
[0133][0134]
当选择knn分类器对图像做分类时，通过计算待测图像m
x
到各个类别支点mg的距离，然后对所有距离按从小到大进行排序，并保存在数组中，最后选择数组中前k个距离对
应的类别对待测图像进行类别判定，所述距离表示为：
[0135][0136]
实施例2
[0137]
参照图4—5，为本发明的一个实施例，该实施例提供了一种基于李群核学习的医学图像分类方法，为了验证本发明的有益效果，通过具体的实施方式以及实施效果进行科学论证。
[0138]
本实施例具体如下，本专利所提出的方法已成功应用于三组医学图像的分类：胸胸x光图像，视网膜oct图像，眼球rop图像，并且与临床诊断的结果进行了对比，实验结果显示本专利提出的方法在分类准确度方面优于传统的图像分类方法，相比人工神经网络的方法，对训练数据和过程依赖更小，泛化性和可部署性都更强。
[0139]
(1)胸部x线图像
[0140]
本实验首先将胸部x线表现为肺炎的患者与表现为正常的患者进行分类，然后进一步区分病毒性肺炎与细菌性肺炎。表1列出了所有10种方法的二分类(正常vs肺炎)比较结果。如表1所示，对于不同的指标，达到90％以上的方法数量分别为：准确性5个，准确性2个，敏感性5个，特异性6个，f1值5个，auc 9个。总体上，组2中的4种方法与组1中的5种方法分类性能相当，但本文方法在10种方法中得到了最高的准确率(96.3％)、精确率(92.7％)、灵敏度(97.9％)、特异度(95.4％)、f1值(96.6％)和auc(99.4％)。
[0141]
表1不同方法对胸部x光图像的二值分类结果
[0142]
groupmethodsaccuracyprecisionsensitivityspecificityf1-scoreauc1sift+pca0.8110.7300.7860.8260.8060.9221lbp+svm0.7320.6420.6840.7620.7210.8631hog+svm0.9110.8590.9100.9100.9100.9431gabor+svm0.9020.8470.9020.9030.9020.9621integrated+svm0.9380.9050.9320.9420.9360.9912sog+lie-mean0.7790.7480.7480.8410.7920.9742sog+lie-lda0.8370.7540.8380.8360.8370.9552sog+lie-kda0.8990.8490.8890.9050.8970.9752sog+lie-svm0.9280.8980.9230.9310.9290.9833本发明0.9630.9270.9790.9540.9660.994
[0143]
在图4中，通过使用roc曲线来说明分类器的性能。如图4a所示，本文提出的方法(黑色)的roc曲线位于图的最外层，在所有方法中取得了最高的auc值(99.4％)，而方法lbp+svm位于图的最内层(auc：87.3％)。区分细菌性肺炎和病毒性肺炎与正常的roc曲线下面积分别为92.5％(图4b)和97.6％(图4c)，表明该方法可以有效地检测肺炎，进而区分病毒性肺炎和细菌性肺炎，以方便需要紧急干预的儿童快速转诊。从图4b、c可以发现，正常vs细菌性肺炎的auc小于正常vs病毒性肺炎的auc，这可以用细菌性肺炎相对于病毒性肺炎症状较轻来解释。作为对比，其中两个roc曲线下的面积报告为94％和96.8％。
[0144]
总的来说，表1和图4所示的结果验证了本发明所提出的方法可以有效地对儿童患者的胸部x线进行分类，首先识别肺炎和正常，以避免误治，然后区分病毒性和细菌性肺炎，从而帮助需要紧急干预或立即使用抗生素治疗的儿童。本发明所提方法的性能更多地可归
因于svm-knn分类器而非sog特征描述。此外，本发明所提出的方法在性能上表现出与本实验中基于深度学习的方法相似的整体质量。
[0145]
(2)视网膜oct图像
[0146]
cnv、dme、drusen和normal之间的分类结果汇总于表2。尽管gabor+svm和integrated+svm在某些指标上优于sog+lie-mean和sog+lie-lda，但组2中的五种方法总体上比五种常规方法具有更好的分类性能。此外，本文方法在6个指标上都优于其他方法：准确率为95.4％，敏感度为96.4％，特异度为95.1％，f1值为95.7％，kappa分数为94.2％，唯一低于90％的指标是准确率，评分为86.7％。
[0147]
表2不同方法对视网膜oct图像的分类结果
[0148][0149][0150]
为了区分cnv、dme、drusen和normal的正确分类和错误分类，图5a将预测标签与真实标签的相关性描述为混淆矩阵。从矩阵中可以看出，本文提出的方法能够以较高的准确率识别每个类别：241/250(96.4％)为normal，235/250(94.0％)为drusen，240/250(96.0％)为cnv，238/250(95.2％)为dme。作为对比，基于深度学习的方法在相同数据集上生成的混淆矩阵：normal为246/250(98.4％)，drusen为235/250(94.4％)，cnv为242/250(96.8％)，dme为237/250(94.8％)，在4个预测中有3个略高于本发明的方法。
[0151]
此外，还实现了3个二分类器来区分drusen、cnv和dme图像与正常图像，以观察模型性能的崩溃。在生成的roc曲线中：第一个分类器(cnv vs正常)取得了99.8％的auc(图5b)，第二个分类器(dme vs正常)取得了99.5％的auc(图5c)，第三个分类器区分(drusen vs正常)取得了99.2％的auc(图5d)。roc曲线的直角形状表明分类器具有近乎完美的分类性能。roc曲线的auc分别为100％、99.87％、99.96％，均高于本文方法。
[0152]
在本实验中，李群核分类器使用相对较少的图像(8,000人,共计108,312人)进行训练，但在所有指标中仍然保留了较高的性能，达到了令人满意的性能，从而说明了李群核函数的威力。分类结果表明，sog特征描述子比手工特征描述子更有效地表示视网膜oct图像的关键内容，提出的svm-knn分类器进一步提高了分类性能。
[0153]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳
实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种基于李群核学习的医学图像分类方法，其特征在于，包括：获取图像的低层图像特征，并基于图像特征表示为李群矩阵；通过训练图像集获得svm分类器的模型参数和每个类别的支点；根据在李群流形上利用李群核函数计算类别支点与每个待分类图像之间的测地线距离，选择svm或者knn分类器对图像进行分类。2.如权利要求1所述的基于李群核学习的医学图像分类方法，其特征在于：所述低层图像特征包括用rgb和ycr模型描述的颜色、一阶和二阶梯度、用gabor和lbp滤波器描述的纹理；对一幅图像的每个像素点(x,y)计算所述低层图像特征；所述gabor特征的计算公式表示为：其中，ω
x
为正弦波的频率，σ为高斯函数再x和y方向上的标准差，θ为滤波器的方向。3.如权利要求2所述的基于李群核学习的医学图像分类方法，其特征在于：将计算完低层特征的图像像素点表示为特征向量，所示特征向量表示为：其中，和是沿着x和y方向的一阶梯度，和是沿着x和y方向二阶梯度，是一阶梯度的平方和，是一阶梯度比率的反正切函数。4.如权利要求3所述的基于李群核学习的医学图像分类方法，其特征在于：对图像的多个相关特征的组合进行统计得到图像的协方差特征，所述协方差特征包括：一系列d通道特征向量的协方差是一个d
×
d矩阵，其中对角线项表示每个特征向量的方差，非对角线项表示每对向量之间的属性相关性；对于n像素的图像，协方差矩阵c表示为：其中，f
k
为一个d维的特征向量，μ为所有特征向量的平均向量，表示为：5.如权利要求4所述的基于李群核学习的医学图像分类方法，其特征在于：对协方差矩
阵c进行cholesky分解，得到李群sog矩阵特征，所述李群sog矩阵特征表示为：其中，r是c的cholesky分解，c＝rr
t
，是一个特殊结构的上三角矩阵。6.如权利要求5所述的基于李群核学习的医学图像分类方法，其特征在于：通过训练图像集获得svm模型的支持矩阵，两个图像sog矩阵mi和mj在流形上的距离表示为：d
lg
(m
i
,m
j
)＝||log2(m
j
)-log2(m
i
)||2两个图像的相似程度通过李群rbf核函数衡量表示为：其中，γ为尺度系数。7.如权利要求6所述的基于李群核学习的医学图像分类方法，其特征在于：在一个svm模型中，一个数据样本可通过一个超平面区分，需满足如下条件：利用拉格朗日算子将所述条件转换成一个拉格朗日优化方程，表示为：其中，α
i
为拉格朗日算子，为训练集中一个图像样本的sog矩阵，n为训练集的大小，y
i
为类别标签，取值1或-1；通过所述拉格朗日优化方程分别对ω和b求导并让结果为0，表示为：通过所述拉格朗日优化方程分别对ω和b求导并让结果为0，表示为：8.如权利要求6或7所述的基于李群核学习的医学图像分类方法，其特征在于：通过利用核函数表达的矩阵相似关系以及求导的结果，所述拉格朗日优化方程改写为：用核函数表达的矩阵相似关系以及求导的结果，所述拉格朗日优化方程改写为：其中，c是一个惩罚系数；改写后的拉格朗日优化方程的最优解表示为：所述svm模型判别方程的两个参数分别表示为：
每个类别的支撑矩阵表示为：9.如权利要求8所述的基于李群核学习的医学图像分类方法，其特征在于：分别测量每个待分类图像到正类支点m
+
和负类支点m-的测地线距离，然后计算两个距离的差值，所述差值表示为：值表示为：当dif(m)大于等于阈值时,待分类图片远离超平面，选择svm分类器；当dif(m)小于阈值时，待分类图片靠近超平面，选择knn分类器。10.如权利要求9所述的基于李群核学习的医学图像分类方法，其特征在于，包括：当选择svm分类器对图像做分类时，矩阵为m
x
的待测图像的类别通过决定函数决定，所述决定函数表示为：当选择knn分类器对图像做分类时，通过计算待测图像m
x
到各个类别支点m
g
的距离，然后对所有距离按从小到大进行排序，并保存在数组中，最后选择数组中前k个距离对应的类别对待测图像进行类别判定，所述距离表示为：

技术总结
本发明属于图像分类的技术领域，公开了一种基于李群核学习的医学图像分类方法，包括获取图像的低层图像特征，并基于图像特征表示为李群矩阵；通过训练图像集获得SVM分类器的模型参数和每个类别的支点；根据在李群流形上利用李群核函数计算类别支点与每个待分类图像之间的测地线距离，选择SVM或者KNN分类器对图像进行分类。本发明分类准确度方面均优于传统的图像分类方法，相比人工神经网络的方法，对训练数据和过程依赖更小，泛化性和可部署性都更强。更强。更强。


技术研发人员：刘力
受保护的技术使用者：苏州大学
技术研发日：2023.06.14
技术公布日：2023/8/31