svm支持向量机在图像分类方面的matlab代码_我的第一个机器学习模型：应用支持向量机成功分类医学影像...

最新推荐文章于 2024-10-22 04:15:37 发布

weixin_39821604

最新推荐文章于 2024-10-22 04:15:37 发布

阅读量781

点赞数

文章标签： svm支持向量机在图像分类方面的matlab代码

本文链接：https://blog.csdn.net/weixin_39821604/article/details/111367508

版权

本文介绍了如何使用支持向量机（SVM）进行冠脉造影图像的左、右冠脉分类。通过scikit-learn库在MATLAB中实现SVM模型，包括数据预处理、模型训练、测试及性能评估。最终，模型在测试集上取得了100%的准确率。

摘要由CSDN通过智能技术生成

前言 SVM 在机器学习中， 支持向量机(support vector machine， 常简称为 SVM ，又名支持向量网络)是一种在分类与回归任务中处理据的监督学习模型和算法。 SVM 模型是将样本表示为空间中的点，这样的映射就使得同一类别的样本被尽可能宽的间隔分开。然后，将新的样本映射到同一空间，并基于它们落在间隔的哪一侧来预测所属类别。

支持向量机(SVM)应用起来很简单，性能也非常强大。今天我用 SVM 来解决一个医学影像学方面非常简单的问题。我们心血管影像学应用最广泛的临床实践就是冠脉造影检查。现在我就来构建一个模型，用以分辨给定的造影图像类别，即在得到一张造影图像后，让电脑轻松地判断这张图是左冠脉的图像(LCA)还是右冠脉(RCA)的简单任务(说实话挺弱智的)。

模块框架的导入

首先，导入模块。在机器学习算法中，我用的是非常流行的 scikit-learn 模块中的 svm 对象，还有 metrics 中的 classification_report 和 confusion_matrix。到后面还要将模型保存下来，使用的是 joblib 对象。

from PIL import Image
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

from sklearn import svm
from sklearn.metrics import classification_report, confusion_matrix
from sklearn.externals import joblib

%matplotlib inline

最后一行是一个 jupyter notebook 的 magic，功能就是可以在 notebook 中显示图像。

造影图像的读取

我选取了 40 个图像样本(20 个为右冠脉，20 个为左冠脉，比为 1:1)，34 个做训练样本(左右比仍为 1:1)；6个做测试样本。

应用 PIL 包对图像文件进行读取，并添加到 list 变量中：

for i in range(num_lao):
    if i <10:
        filename = 'CAG/p000'+str(i)+'l.bmp'
    elif i>=10 and i<100:
        filename = 'CAG/p00'+str(i)+'l.bmp'

    img = Image.open(filename)
    img_lao.append(img)

for i in range(num_rao):
    if i <10:
        filename = 'CAG/p000'+str(i)+'r.bmp'
    elif i>=10 and i<100:
        filename = 'CAG/p00'+str(i)+'r.bm