ฉันจะดึงข้อมูลพื้นผิวโดยใช้ GLCM และจำแนกประเภทโดยใช้ตัวแยกประเภท SVM ได้อย่างไร

ฉันอยู่ในโครงการการแบ่งส่วนและจำแนกเนื้องอกของตับ ฉันใช้ Region Growing และ FCM สำหรับการแบ่งส่วนตับและเนื้องอกตามลำดับ จากนั้นฉันใช้เมทริกซ์ระดับสีเทาร่วมเกิดขึ้นสำหรับการแยกคุณลักษณะของพื้นผิว ฉันต้องใช้ Support Vector Machine เพื่อจัดหมวดหมู่ แต่ฉันไม่ทราบวิธีปรับเวกเตอร์คุณลักษณะให้เป็นมาตรฐานเพื่อที่ฉันจะสามารถให้มันเป็นอินพุตของ SVM ได้ มีใครบอกวิธีเขียนโปรแกรมใน Matlab ได้บ้าง

ในโปรแกรม GLCM ฉันให้ภาพที่แบ่งกลุ่มเนื้องอกเป็นอินพุต ฉันถูกต้องหรือไม่ ถ้าเป็นเช่นนั้นฉันคิดว่าผลลัพธ์ของฉันก็จะถูกต้องด้วย

การเข้ารหัส glcm ของฉันเท่าที่ฉันได้ลองคือ

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

นี่เป็นการใช้งานที่ถูกต้องหรือไม่ นอกจากนี้ฉันได้รับข้อผิดพลาดที่บรรทัดสุดท้าย

ผลลัพธ์ของฉันคือ:

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 =

คอลัมน์ 1 ถึง 6

0.0510    0.0503    0.9513    0.9519    0.8988    0.8988

คอลัมน์ 7 ถึง 12

0.9930    0.9935    0.0345    0.0339    0.8223    0.8255

คอลัมน์ 13 ถึง 18

0.9616    0.9617    0.9957    0.9957    0.0230    0.0246

คอลัมน์ 19 ถึง 24

0.7450    0.7270    0.9815    0.9813    0.9971    0.9970

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

ภาพอินพุตคือ:

คุณใช้ Matlab หรือไม่ ถ้าเป็นเช่นนั้นคุณจะต้องใช้ Bioinformatics Toolbox ซึ่งรวมถึงตัวแยกประเภท SVM หรือคุณสามารถดาวน์โหลด libsvm ซึ่งมีตัวห่อ Matlab สำหรับการฝึกอบรมและการทดสอบ

จากนั้นคุณจะต้องใช้ข้อมูลที่มีป้ายกำกับ คุณกำลังจำแนกคนที่มีตับแตกต่างจากคนที่มีสุขภาพดีหรือไม่ จากนั้นคุณจะต้องการภาพของเนื้องอกในตับและตับที่มีสุขภาพดี

จากนั้นคุณต้องคำนวณคุณสมบัติบางอย่าง สิ่งเหล่านั้นขึ้นอยู่กับลักษณะของปัญหา คุณสมบัติพื้นผิวดูเหมือนเป็นการเริ่มต้นที่ดี พิจารณาใช้เมทริกซ์ร่วมที่เกิดขึ้นหรือรูปแบบไบนารีท้องถิ่น

แก้ไข: ตั้งแต่รีลีส R2014a มีฟังก์ชั่นfitcsvmในกล่องเครื่องมือการเรียนรู้สถิติและเครื่องจักรสำหรับการฝึกอบรมตัวจําแนก SVM ไบนารี นอกจากนี้ยังมีfitcecocสำหรับการฝึกอบรม SVM หลายระดับ

บทความนี้เกี่ยวข้องกับประเภทการจัดหมวดหมู่ภายใต้การดูแลแบบเดียวกับที่ระบุไว้ทั้งหมดGLCM: GLCM Textural Features for Brain Tumor Classification