论文研究-基于粒子群模糊C-均值聚类的图像分割算法.pdf

所需积分/C币:6 2019-09-08 02:41:11 635KB .PDF

利用Learn 思想对Cascade组合分类器进行了改进,提出了一种基于Cascade的增量式组合分类算法,并将之应用到肝脏图像的分类中。实验结果表明,与原有组合分类器相比,该增量式组合分类方法可以在保证分类准确度的前提下有效地提高新增样本的学习效率。
欧吉顺,朱玉全,陈耿,等:基于 Cascade的增量式组合分类算法研究 2009,45(31)167 低了模型的复杂度。 表3非增量式组合分类系统时问开销 4实验结果及分析 Ti me/s 16.318.326.833.135.843.8 为了验证增量式 Cascade组合分类算法的有效性,采用了 表4组合增量分类系统时间开销 VC++6.0开发工具,在方正工作站(运行环境为293GCPU、 256M内存、 Windows XP)上进行了测试。实验数据采用的是大 Time/s16.39.79.910.511.312.6 小为512×512象素的二维肝脏CT图像。在实验中,从10000 幅肝脏图像中选岀400幅,其中正常图像200幅,异常图像 表3和表4分别给出了在加入新数据集之后利用非组合 200幅。分别提取每张图像的灰度直方图特征(均值、方差、倾 增量分类系统和增量式组合分类系统进行训练所需的时间开 斜度、峰态、能量、熵)、灰度共生矩阵特征(能量、熵、惯性、局部 销对比。由于文中所采用的增量学习方法是在新增数据集中添 平稳)、小波变换特征(均值、方差、倾斜度、峰态、能量)共15维 加部分边界样本,所以新增样本进行训练时间与原有组合分类 系统训练时间之和大于全部重新进行训练所需时间,但对于新 进行实验,类别标识包括病例正常和异常两种。把400幅图像 分成S1,S2,S3,S4,S3,S6六个训练数据集,其中S1含有100个样 增样本的学习时间远远小于全部重新学习的时间开销,达到了 增量学习的目的。 本,作为旧数据集,其余数据集作为新增数据集,每个新增数据 图2给出了增量式和非增量式组合分类系统时间开销趋 集中分别含有50个样本,各个数据集之间没有重复的样本。其 势对比。在增量式组合分类系统中,当有新数据集到来时,主要 余样本作为测试集Test,用于增量系统的性能测试。 是对新增样本及边界样本的学习,所以时间开销相对较小,但 组合增量分类系统从S1开始学习,产生一系列 Cascade组随着新增数据集的不断增多,参与投票的组合分类器数增多, 合分类器,然后用测试集分别进行测试,在不更改新增样本分会引起时间开销的增加,不过山图可以看出其增加趋势明显小 布的情况下,得到的学习结果如表1所示。 于非增量式学习系统。 表1医学图像数据的组合增量分类 数据集 S 非增量式 40 Test(%)85686.487.189288.790.6 每行代表新加入一个 Cascade组合分类器后测试样本集 的分类正确率。由表1可以看出,测试集的分类正确率随组合 分类器的增加逐渐增加,充分说明这种多个 Cascade组合分类 器的増量学习是有效的,随着新增数据集的增多,参与增量学 增量式 习的组合分类器随之增多,有效提高了组合增量系统的分类准 10 —-1 确度。 100150 200 250 300 按照上面所提出的样本分布改进方法,对该数据集进行了 样本个数 同样的测试,由于实验中采用的图像类别数目较少,在此仅考 图2时间开销对比图 虑边界样本,即将前一个组合分类器中错误分类的样本加入到 后一个训练集中,从结果上可以看出,组合分类系统的增量学 结束语 习能力有所提高,如表2所示。 增量学习是各种分类算法所必须具有的能力,对于组合分 类模型也不例外,研究组合分类的合理增量学习算法可以使得 表2改进的组合增量分类 组合分类模型更好地应用于各个领域。该文提出了基于 数据集S1S2S3 Cascade的增量式组合分类算法,该算法通过把新知识的样本 Test/(%)85.687.289.5 92.494.3 作为重点学习的目标,对新增训练样本的分布进行改进,在对 实验结果表明,当学习新的数据集时利用了原样本集中的原有知识结构不加任何修改的基础上实现了知识的增量学习。 一些边界样本,使得在后面的组合分类系统中,对大多数原有实验结果证明这种增量式组合分类技术对于医学图像分类是 样本可以正确识别,因此组合增量分类系统对原训练样本的分有效的,在保证分类准确度的前提下有效提高了分类效率。 类正确率不会降低得太多。由于提高了整个组合分类系统对原 有样本的识别率,因此在测试集上的分类正确率有较大的提参考文献: 高,既达到了学习新样本的目的,又使整个分类系统的泛化能1 Yizhak i, Chevallier o. Handwritten digit recognition by a su- 力保持在一个较高的水平上。 pervised kohonen -like learning algorithm(Cy/Proc of 1991 IEEE 另外,从训练所需时间上进行分析,进行增量式学习的目 Joint Conf Neural Networks IJCNN, 1991: 2576-2581 的就是有效利用已学习到的知识,在保证精度的前提下尽量避2X1. Krzyzak A,unc. Methods of combining multiple classi- 免重复计算,从而节省时间开销。文中所设计的组合增量分类 fiers and their applications to handwriting recognition(JIEEE Trans Systems, Man, and Cybernetics, 1992, 22(3): 418-435 系统的时间开销主要包括三个部分:将边界样本加入到新增数 3 Polikar R, Krause S, Burd L Ensemble of classifiers based on in- 据集所需时间、对更改分布后的数据集进行学习的时间及进行 cremental learning with dynamic voting weight update[ C]/Proceed- 预测时多数投票所需时间。对于边界样本可以在前一次进行分 ings of the International Joint Conference on Neural Networks, 类学习保存结果时自动保存出来,这部分的时间基本可以忽略 2003,4:2770-2775 不计,在此主要对训练时间进行比较 (下转189页)

...展开详情
img
  • 至尊王者

    成功上传501个资源即可获取

关注 私信 TA的资源

上传资源赚积分,得勋章
    最新推荐