[发明专利]基于KECA特征降维和聚类的HRCT周围神经分割

摘要

本发明公开了一种基于KECA特征降维和聚类的HRCT周围神经分割方法，包括以下步骤：首先，利用非下采样Contourlet变换和广义高斯混合模型对神经HRCT图像进行增强；然后，基于Gabor小波对增强后的图像进行特征提取；在此基础上，采用KECA算法对图像的部分采样数据点进行降维分析，找出降维所需的相关信息；结合KECA算法的特点，利用采样外点扩展算法OSE实现整幅图像所有数据点的特征降维；最后，针对降维后不同类别数据的分布特点，利用改进的KECA谱聚类算法进行聚类分割。本发明利用KECA算法的特点和采样外点扩展算法OSE，减少了图像中的冗余信息对分割结果的影响，在没有医学先验知识和人工干预的情况下，比较准确的实现了HRCT图像的分割。

主权项

1.一种基于KECA特征降维和聚类的HRCT周围神经分割方法，其特征在于，包括以下步骤：步骤一，利用非下采样Contourlet变换，即Non‑Subsampled Contourlet Transform，NSCT，对神经高分辨率CT图像，即High‑Resolution Computed Tomography，HRCT，进行分解，依据NSCT系数的分布特点，构建广义高斯混合模型，即Generalized Gaussian Mixture Model，GGMM，对系数进行非线性处理，从而达到增强图像的目的；步骤二，利用基于Gabor小波的纹理特征对增强后的HRCT图像进行特征提取；步骤三，利用核熵成分分析方法，即Kernel Entropy Component Analysis，KECA，对图像中的部分采样数据点进行降维，找出降维所需的相关信息；步骤四，结合KECA降维算法的特点，采用采样外点扩展算法，即Out of Sample Extension，OSE，对图像中的全部数据点进行特征降维；步骤五，根据降维之后不同类别数据的分布特性，利用改进的KECA谱聚类算法对降维后的特征数据进行聚类分割。