目的 高光谱成像技术因其能够获取目标的详细空间和光谱信息,在医学领域引起了广泛关注.然而,对于识别任务来说,高光谱图像的高维特征通常会导致分类器性能不佳.因此,降维在高光谱图像分析过程中至关重要.为了在低维空间中保留医学高光谱图像的多流形结构信息并增强特征判别能力,本文提出了一种基于张量表示的拉普拉斯稀疏低秩图嵌入方法(tensor-based Laplacian regularized sparse and low-rank graph,T-LapSLRG),用于医学高光谱图像的判别分析.方法 在T-LapSLRG中,基于有标签的张量样本,通过引入稀疏、低秩约束及流形正则项以构造监督张量图.张量表示用于捕获空间结构信息,稀疏和低秩约束用于保留局部和全局结构信息,流形正则项用于利用固有的几何信息并增强特征判别能力.通过引入张量图嵌入技术获取数据的低维特征并输入分类器以实现数据的分类及识别.结果 实验数据采用膜性肾病数据集,通过降维方法获取数据的低维特征,使用支持向量机(support vector machine,SVM)分类器对获取的低维特征进行分类.将T-LapSLRG获得的实验结果与相关的降维方法获得的实验结果进行性能比较,以证明T-LapSLRG算法的有效性.采用4个性能指标,即各个类别的准确性、总体准确性(overall accuracy,OA)、平均准确性(average accuracy,AA)和Kappa系数衡量分类性能.T-LapSLRG在膜性肾病数据集下的OA为97.14％,AA为97.05％,Kappa为0.942,各项性能指标均优于对比方法.其中,OA高出1.40％ ～34.75％,AA高出1.46％～36.89％,Kappa高出0.031～0.73.此外,通过T-LapSLRG算法获得的各个患者的分类准确率均达到90％以上.结论 T-LapSLRG算法在膜性肾病诊断中具有潜在临床价值.
NETL
NSTL
维普
万方数据
