Làm cách nào để truy xuất kết cấu bằng GLCM và phân loại bằng Trình phân loại SVM?

Tôi đang trong một dự án phân loại và phân loại khối u gan. Tôi đã sử dụng Vùng phát triển và FCM để phân chia gan và khối u tương ứng. Sau đó, tôi đã sử dụng ma trận xuất hiện cấp độ xám để trích xuất tính năng kết cấu. Tôi phải sử dụng Support Vector Machine để phân loại. Nhưng tôi không biết cách bình thường hóa các vectơ đặc trưng để tôi có thể cung cấp nó làm đầu vào cho SVM. Bất cứ ai có thể cho biết làm thế nào để lập trình nó trong Matlab?

Đối với chương trình GLCM, tôi đã đưa hình ảnh phân đoạn khối u làm đầu vào. Tôi đã đúng chưa? Nếu vậy, tôi nghĩ, sau đó, đầu ra của tôi cũng sẽ chính xác.

Mã hóa glcm của tôi, theo như tôi đã thử là,

I = imread('fzliver3.jpg');
GLCM = graycomatrix(I,'Offset',[2 0;0 2]);
stats = graycoprops(GLCM,'all')
t1= struct2array(stats)


I2 = imread('fzliver4.jpg');
GLCM2 = graycomatrix(I2,'Offset',[2 0;0 2]);
stats2 = graycoprops(GLCM2,'all')
t2= struct2array(stats2)

I3 = imread('fzliver5.jpg');
GLCM3 = graycomatrix(I3,'Offset',[2 0;0 2]);
stats3 = graycoprops(GLCM3,'all')
t3= struct2array(stats3)

t=[t1,t2,t3]
xmin = min(t); xmax = max(t);
scale = xmax-xmin;
tf=(x-xmin)/scale

Đây có phải là một thực hiện đúng? Ngoài ra, tôi nhận được một lỗi ở dòng cuối cùng.

Đầu ra của tôi là:

stats = 

   Contrast: [0.0510 0.0503]
Correlation: [0.9513 0.9519]
     Energy: [0.8988 0.8988]
Homogeneity: [0.9930 0.9935]
t1 =

Columns 1 through 6

0.0510    0.0503    0.9513    0.9519    0.8988    0.8988
Columns 7 through 8

0.9930    0.9935
stats2 = 

   Contrast: [0.0345 0.0339]
Correlation: [0.8223 0.8255]
     Energy: [0.9616 0.9617]
Homogeneity: [0.9957 0.9957]
t2 =

Columns 1 through 6

0.0345    0.0339    0.8223    0.8255    0.9616    0.9617
Columns 7 through 8

0.9957    0.9957
stats3 = 

   Contrast: [0.0230 0.0246]
Correlation: [0.7450 0.7270]
     Energy: [0.9815 0.9813]
Homogeneity: [0.9971 0.9970]
t3 =

Columns 1 through 6

0.0230    0.0246    0.7450    0.7270    0.9815    0.9813
Columns 7 through 8

0.9971    0.9970

t =

Cột 1 đến 6

0.0510    0.0503    0.9513    0.9519    0.8988    0.8988

Cột 7 đến 12

0.9930    0.9935    0.0345    0.0339    0.8223    0.8255

Cột 13 đến 18

0.9616    0.9617    0.9957    0.9957    0.0230    0.0246

Cột 19 đến 24

0.7450    0.7270    0.9815    0.9813    0.9971    0.9970

??? Error using ==> minus
    Matrix dimensions must agree.

Các hình ảnh đầu vào là:

Bạn đang sử dụng Matlab? Nếu vậy thì bạn sẽ cần Hộp công cụ Tin sinh học, bao gồm trình phân loại SVM hoặc bạn có thể tải xuống libsvm, có trình bao bọc Matlab để đào tạo và kiểm tra.

Sau đó, bạn sẽ cần một số dữ liệu được dán nhãn. Bạn đang phân loại tummors gan trái ngược với gan khỏe mạnh? Sau đó, bạn sẽ cần hình ảnh của khối u gan và gan khỏe mạnh, mỗi nhãn như vậy.

Sau đó, bạn cần tính toán một số tính năng. Đó là những gì, phụ thuộc vào bản chất của vấn đề. Tính năng kết cấu có vẻ như một khởi đầu tốt. Xem xét sử dụng ma trận đồng xảy ra hoặc các mẫu nhị phân cục bộ.

Chỉnh sửa: Kể từ phiên bản R2014a, có một hàm fitcsvm trong Hộp công cụ Thống kê và Máy học để đào tạo trình phân loại SVM nhị phân. Ngoài ra còn có fitcecoc để đào tạo một SVM nhiều lớp.

Bài viết này đề cập chính xác với cùng loại phân loại được giám sát dựa trên GLCMcác lớp được gắn nhãn : Đặc điểm kết cấu GLCM cho phân loại khối u não