【病灶分类】基于matlab粒子群算法优化SVM病灶分类【含Matlab源码 1520期】

海神之光

已于 2024-10-12 19:57:12 修改

阅读量1.9k

点赞数 3

CC 4.0 BY-SA版权

分类专栏： Matlab图像处理（进阶版）文章标签： matlab

于 2021-11-13 22:43:33 首次发布

代码事宜私信博主

本文链接：https://blog.youkuaiyun.com/TIQCmatlab/article/details/121311611

Matlab图像处理（进阶版）专栏收录该内容

1144 篇文章

订阅专栏

💥💥💥💥💥💥💞💞💞💞💞💞💞💞欢迎来到海神之光博客之家💞💞💞💞💞💞💞💞💥💥💥💥💥💥
在这里插入图片描述
✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进；
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式

⛳️座右铭：行百里者，半于九十。
更多Matlab图像处理仿真内容点击👇
①Matlab图像处理（进阶版）
②付费专栏Matlab图像处理（初级版）

⛳️关注优快云海神之光，更多资源等你来！！

⛄一、简介

首先对病灶图片进行gabor小波纹理特征提取，然后输入进经PSO优化的svm进行训练与测试分类

⛄二、部分源代码

%% 清空环境变量以及加载数据
clc
clear
close all
warning off
format long
format compact
%% 网络结构建立
%读取数据
load img_tz %纹理特征

%%
%由于特征维数过高，每个gabbor特征有1440维，不利于训练网络，因此我们用PCA进行降维
[pca1,pca2,pca3]=pca(input);
proportion=0;
i=1;
while(proportion < 95)
proportion = proportion + pca3(i);
i = i+1;
end
input=pca2(:,1:10);
%随机提取训练样本，预测样本
rand(‘seed’,0)
[m n]=sort(rand(1,size(input,1)));
m=150;
train_wine=input(n(1:m)😅;
train_wine_labels=output(n(1:m)😅;
test_wine=input(n(m+1:end)😅;
test_wine_labels=output(n(m+1:end)😅;

%%
%%%%% 选择最佳的SVM参数c&g-利用粒子群算法进行选择
% 粒子群参数初始化
pso_option = struct(‘c1’,0.9,‘c2’,0.9,…
‘maxgen’,200,‘sizepop’,50, …
‘k’,0.6,‘wV’,0.8,‘wP’,0.8, …
‘popcmax’,10^{2,‘popcmin’,10}(-2),…
‘popgmax’,10^{2,‘popgmin’,10}(-2));
%%
[bestacc,bestc,bestg,trace] = psoSVMcgForClass(train_wine_labels,train_wine,test_wine_labels,test_wine,pso_option);
GlobalParams=[bestc bestg];

img3= double(imresize(img2,[48 48],'bilinear'));  %采用'bilinear'：采用双线性插值算法扩展为48*48
H2 = filter_image_with_Gabor_bank1(img3,filter_bank,64);%%提取gabor纹理特征
suptitle('正常对应GABOR多尺度纹理特征图');
data_matrix1=[data_matrix1 H2];%将提取的特征放进data_matrix1中
disp(sprintf('完成正常文件夹中第%i图的gabor特征提取',i));

end
tz_image1=data_matrix1’;

%%
class1path=dir(‘溃疡’);
data_matrix1=[];
for i=1%:length(class1path)-2
imgpath=[‘溃疡’ class1path(i+2).name];%煤炭的路径
img1=imread(imgpath);%读取图片
figure;imshow(img1);title(‘溃疡原始图片’)

img2=rgb2gray(img1);%灰度化
figure;imshow(img2);title('溃疡原始图片灰度图')
img3= double(imresize(img2,[48 48],'bilinear'));  %采用'bilinear'：采用双线性插值算法扩展为48*48
H2 = filter_image_with_Gabor_bank1(img3,filter_bank,64);%%提取gabor纹理特征
data_matrix1=[data_matrix1 H2];%将提取的特征放进data_matrix1中
    suptitle('溃疡对应GABOR多尺度纹理特征图');
disp(sprintf('完成溃疡文件夹中第%i图的gabor特征提取',i));

end
tz_image2=data_matrix1’;

%% 保存结果以及对应标签其中正常设为第一类溃疡设为第二类
input=[tz_image1;tz_image2];
output=[ones(1,size(tz_image1,1)) 2*ones(1,size(tz_image2,1))]';

function [bestCVaccuarcy,bestc,bestg,trace] = psoSVMcgForClass(train_wine_labels,train_wine,test_wine_labels,test_wine,pso_option)
if nargin == 4
pso_option = struct(‘c1’,0.9,‘c2’,0.9,‘maxgen’,100,‘sizepop’,10, …
‘k’,0.6,‘wV’,0.8,‘wP’,0.8,‘v’,5, …
‘popcmax’,10^{2,‘popcmin’,10}(-2),‘popgmax’,10^{2,‘popgmin’,10}(-2));
end
% c1:初始为1.5,pso参数局部搜索能力
% c2:初始为1.7,pso参数全局搜索能力
% maxgen:初始为200,最大进化数量
% sizepop:初始为20,种群最大数量
% k:初始为0.6(k belongs to [0.1,1.0]),速率和x的关系(V = kX)
% wV:初始为1(wV best belongs to [0.8,1.2]),速率更新公式中速度前面的弹性系数
% wP:初始为1,种群更新公式中速度前面的弹性系数
% v:初始为3,SVM Cross Validation参数
% popcmax:初始为100,SVM 参数c的变化的最大值.
% popcmin:初始为0.1,SVM 参数c的变化的最小值.
% popgmax:初始为1000,SVM 参数g的变化的最大值.
% popgmin:初始为0.01,SVM 参数c的变化的最小值.

Vcmax = pso_option.kpso_option.popcmax;
Vcmin = -Vcmax ;
Vgmax = pso_option.kpso_option.popgmax;
Vgmin = -Vgmax ;

eps = 10^(-3);

% 产生初始粒子和速度
for i=1:pso_option.sizepop

% 随机产生种群和速度
pop(i,1) = (pso_option.popcmax-pso_option.popcmin)*rand+pso_option.popcmin;
pop(i,2) = (pso_option.popgmax-pso_option.popgmin)*rand+pso_option.popgmin;
V(i,1)=Vcmax*rands(1,1);
V(i,2)=Vgmax*rands(1,1);
% 计算初始适应度
fitness(i) =fun(pop(i,:),train_wine_labels,train_wine,test_wine_labels,test_wine)

end

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]曹嘉嘉,严圆,陈益,尹玲,张斐.基于PSO优化的SVM在心脏病分类上的应用[J].东莞理工学院学报. 2022,29(03)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流人群疏散病毒扩散晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合