检索历史 清除

摘要近年来，随着影像技术在医学方面的广泛应用，产生了大量的医学图像信息，如何有效地、快速地从大规模图像数据库中检索出目标图像是目前需要解决的问题。基于内容的图像检索技术也不断的在医学领域应用，在临床、教学、科研以及医学图像归档和通信系统(PACS)中都有着重要的作用。如何将图像检索与医学图像有机地结合，为医师提供便捷准确地检索图像的手段，并为其诊断提供辅助的建议，是本文的研究目标。<br>　　本文围绕医学图像特征提取与表示、索引技术及相关反馈技术等图像检索关键技术进行了研究。在颜色直方图特征提取技术的基础上，提出了自适应加权的改进颜色直方图方法，实验证明该方法能把图像重要的部分特征加强，更便于相似度的计算。采用二值信息来表示图像的颜色、形状、纹理特征，并将这特征用于过滤明显不符要求的图像，加快系统检索速度;采用改进的基于特征加权的自组织振荡器网络(SOON)聚类方法对图像进行聚类，在此基础上，对每一类构建了一棵基于相似度分层聚类的动态索引树，该索引树能够直接得到根据相似度排序的检索结果，得出基于SOON聚类的图像索引检索是穷举检索的9.3倍，而本文提出的基于SOON相似度聚类的图像索引是穷举检索的41.2倍。因而它比其它的索引树具有更快的查找效率;对用户反馈标记的正例和负例不平衡问题，采用基于有偏支持向量机的相关反馈方法(BSVM)，同时针对样本数量少，准确率不高的问题，提出了改进的结合先验知识的Boosting方法，给出了相应的基于Boosting与BSVM结合的相关反馈方法(BBSVM)，在此基础上为进一步提高系统图像反馈的速度与准确率，提出了基于长期学习的相关反馈方法(LBBSVM)。结果表明本文提出的LBBSVM相关反馈方法无论在反馈的准确率方面还是在反馈速度上都是最优的。<br>　　基于以上关键技术设计并实现了一个基于内容的图像检索系统，本系统实现了医学图像的特征提取，图像的相似度检索并显示给用户，利用相关反馈技术提高图像检索的准确率。实验结果表明该系统有较好的查准率、查全率以及效率。