[发明专利]基于鲁棒多投影支持向量机的医学图像处理方法

说明书

基于鲁棒多投影支持向量机的医学图像处理方法，包括：1)对医学图像数据进行预处理；2)建立最小二乘法的鲁棒性多投影支持向量机模型；3)把步骤二的D维模型划分成一系列子问题；4)得到模型展开式：5)输入训练集写入投影向量D；6)迭代优化投影；7)求解第d个最优投影向量；8)迭代，直到满足迭代条件；9)通过步骤七和步骤八的迭代算法结果获得d维的最优投影向量w_(k，d)；10)当dD，更新d＝d+1，然后返回执行步骤5)；否则最终输出最优多维投影向量11)输出新图像样本x的预测决策。

技术领域

本发明属于噪声医学图像病理诊断领域，具体涉及一种基于鲁棒多投影支持向量机(Robust Multi-projection Nonparallel Support Vector Machine，简称RMPSVM)的医学图像处理方法。

背景技术

在医学图像采集过程中，由于图像数据受各种因素干扰，会产生噪声或者异常点。例如，由于图像传感器受传感器材料属性、工作环境、电子元器件和电路结构等影响，会引入各种噪声，如电阻引起的热噪声、场效应管的沟道热噪声、光子噪声、暗电流噪声、光响应非均匀性噪声；或者由于传输介质和记录设备等的不完善，数字图像在其传输记录过程中往往会受到多种噪声的污染。因此，对这些噪声图像数据进行正确分类和预测，在医学图像智能诊断系统中变得至关重要。目前，一些文献对于噪声数据采取L1范数方法减少对异常值的敏感性，但L1范数会增加计算时间，提高训练数据的时间成本，为此，提出既能提高学习鲁棒性又能降低运算复杂度的方法具有重要现实应用意义。

以下是本领域内对该问题进行研究的一些文献：[1]C.Li,Y.Shao,N.Deng,RobustL1-norm non-parallel proximal support vector machine,Optimization(2015)3911–15；[2]Yang,Zhi-Min,Wu,He-Ji,Li,Chun-Na,et al.Least squares recursiveprojection twin support vector machine for multi-class classification[J].International journal of machine learning and cybernetics,2016,7(3):411-426；[3]W.Chen,C.Li,Y.Shao,et al.J.Zhang,N.Deng,Robust L1-norm multi-weight vectorprojection support vector machine with efficient algorithm,Neurocomputing 315(2018)345–361.；[4]H.Yan,Q.Ye,T.A.Zhang,et al.Least squares twin boundedsupport vector machines based on L1-norm distance metric for classification,Pattern Recogn.74(2018)434–447.

其中，文献[1]通过使用合理迭代技术来解决一对L1范数非平行近端支持向量机的最优问题，文献[2]提出了一种基于最小二乘递归投影孪生支持向量机(LSPTSVM)，引入递归过程，为每个类别生成多个正交投影轴，文献[3]构造了L1规范在类间离散度和类内离散度的比例，并进一步提出迭代方法来优化这种L1规范比率问题，文献[4]构建L1范数最小二乘双边界支持向量机，采用迭代方法求解。

然而，经典不平行支持向量机存在以下几方面的问题：