基于组合分类器的白内障眼底图像分类方法及分类装置的制造方法

基于组合分类器的白内障眼底图像分类方法及分类装置的制造方法
【技术领域】
[0001]本发明涉及医学与计算机技术领域，特别涉及一种基于组合分类器的白内障眼底图像分类方法及分类装置。
【背景技术】
[0002]相关技术中，首先对白内障眼底图像进行预处理，在预处理后的眼底图像中提取了 40个特征，包括I个亮度特征、24个灰度共生矩阵特征和15个灰度-梯度共生矩阵特征。分类器采用的是一个两层的BP神经网络。分类器的输入神经元个数是40个，隐含层神经元个数是10，输出层神经元个数是4个。最后分类的正确率达到了 82.5%。
[0003]白内障眼底图像的分类主要包括预处理、特征提取和分类器三部分。在图像预处理阶段主要包括提取RGB彩色空间的G通道图像、改进的高低帽算法和三边滤波器处理三部分。经过预处理后的图像变得更清晰，也滤掉了大部分的噪声，更适合后续的特征提取。特征提取主要包含亮度特征和纹理特征提取，其中纹理特征提取包括灰度共生矩阵和灰度-梯度共生矩阵提取两部分。由于视神经盘是眼底图像中最亮的部分，并且它也是将白内障进行分类的一个重要标志，所以以此作为白内障分类的一个标准。纹理特征主要包含灰度共生矩阵特征和灰度-梯度共生矩阵两类。灰度共生矩阵表示的是图像主要的纹理信息，但它不包含图像的边缘信息；而灰度-梯度共生矩阵恰恰弥补了灰度共生矩阵的这个缺陷。分类器采用的是一个两层的BP(Back Propagat1n，神经网络)神经网络，包含输入层、隐含层和输出层。这里输入层的个数是40，输出层的个数是4，隐含层的个数根据实验结果调整为10，此时的实验效果比较好。
[0004]然而，相关技术虽然能对白内障眼底图像进行分类，但分类的正确率还不能达到满意的要求，在特征提取和分类方法方面还待进一步加强。

【发明内容】

[0005]本申请是基于发明人对以下问题的认识和发现作出的:
[0006]目前，每一位进行眼科检查的患者都要首先拍摄眼底照片，从而眼科医生可以通过眼底照片中眼底主要部位的清晰程度初步判断患者是否患有白内障及所患白内障疾病的严重程度。其中，当眼底图像中的视神经盘、大小血管均清晰可见的属于正常眼底；视神经盘模糊不清的属于重度白内障；大小血管不可见的属于中度白内障；仅小血管不可见的属于轻度白内障。
[0007]然而，现在的研宄现状是医生凭经验看大量眼底图像并进行分类，而相应的做图像处理的计算机研宄人员的工作更多的关注于图像本身的处理，很少有人基于专业医生看眼底图像的经验来做眼底图片的自动分级划分工作，而此项工作对具体应用和医学研宄都有很大意义。一方面可以为医生减轻工作量，提高工作效率；另一方面可以对白内障术后恢复情况作很好地估计，患者和医生可以提前预知术后患者视力恢复状况。同时随着人口老龄化和人们对自身健康重视程度的增加，拍摄眼底照片人数也会相应地增加，未来会有更多的眼底图像需要进行分级，这种眼底图像数据库会逐渐地发展成为大数据，这种自动分级系统会大大减少人力资源，也会使工作效率有很大的提高。
[0008]本发明旨在至少在一定程度上解决上述相关技术中的技术问题之一。
[0009]为此，本发明的一个目的在于提出一种基于组合分类器的白内障眼底图像分类方法，该方法可以提高分类的精确度，更好地满足对于正确率的使用要求。
[0010]本发明的另一个目的在于提出一种基于组合分类器的白内障眼底图像分类装置。
[0011]为达到上述目的，本发明一方面实施例提出了一种基于组合分类器的白内障眼底图像分类方法，包括以下步骤:获取白内障眼底图像；对所述白内障眼底图像进行预处理；分别通过小波变换、轮辅方法和纹理分析从所述处理后的白内障眼底图像中提取N组特征，N为正整数；分别通过支持向量机和BP神经网对所述N组特征进行预测分类，以获取M种预测分类结果，M为大于等于N的正整数；以及通过组合分类器对所述M种预测分类结果进行投票分类，以获取最终分类结果。
[0012]根据本发明实施例提出的基于组合分类器的白内障眼底图像分类方法，在对白内障眼底图像进行预处理之后，通过小波变换、轮辅方法和纹理分析分别提取多组特征，其次通过支持向量机和BP神经网对多组特征进行预测分类，最后通过组合分类器进行投票分类，以获取最终分类结果，提高分类的精确度，更好地满足对于正确率的使用要求。
[0013]另外，根据本发明上述实施例的基于组合分类器的白内障眼底图像分类方法还可以具有如下附加的技术特征:
[0014]进一步地，在本发明的一个实施例中，所述N可以为3，所述M可以为6。
[0015]进一步地，在本发明的一个实施例中，所述预处理包括:提取RGB彩色空间和G通道图像；对所述G通道图像进行两次直方图均衡化处理；和/或通过高低帽算法和三边滤波器处理所述G通道图像。
[0016]进一步地，在本发明的一个实施例中，采用所述组合分类器的投票法选取获得票数最多的预测分类结果作为所述最终分类结果。
[0017]进一步地，在本发明的一个实施例中，所述N组特征中每个特征包括亮度特征和纹理特征，其中，所述纹理特征包括灰度共生矩阵和灰度-梯度共生矩阵。
[0018]本发明另一方面实施例提出了一种基于组合分类器的白内障眼底图像分类装置，包括:获取模块，用于获取白内障眼底图像；处理模块，用于对所述白内障眼底图像进行预处理；提取模块，用于分别通过小波变换、轮辅方法和纹理分析从所述处理后的白内障眼底图像中提取N组特征，N为正整数；第一分类模块，用于分别通过小波变换、轮辅方法和纹理分析从所述处理后的白内障眼底图像中提取N组特征，N为正整数；以及第二分类模块，用于通过组合分类器对所述M种预测分类结果进行投票分类，以获取最终分类结果。
[0019]根据本发明实施例提出的基于组合分类器的白内障眼底图像分类装置，在对白内障眼底图像进行预处理之后，通过小波变换、轮辅方法和纹理分析分别提取多组特征，其次通过支持向量机和BP神经网对多组特征进行预测分类，最后通过组合分类器进行投票分类，以获取最终分类结果，提高分类的精确度，更好地满足对于正确率的使用要求。
[0020]另外，根据本发明上述实施例的基于组合分类器的白内障眼底图像分类装置还可以具有如下附加的技术特征:
[0021 ] 进一步地，在本发明的一个实施例中，所述N可以为3，所述M可以为6。
[0022]进一步地，在本发明的一个实施例中，所述处理模块包括:提取单元，用于提取RGB彩色空间和G通道图像；处理单元，用于对所述G通道图像进行两次直方图均衡化处理和/或通过高低帽算法和三边滤波器处理所述G通道图像。
[0023]进一步地，在本发明的一个实施例中，所述第二分类模块具体用于采用所述组合分类器的投票法选取获得票数最多的预测分类结果作为所述最终分类结果。
[0024]进一步地，在本发明的一个实施例中，所述N组特征中每个特征包括亮度特征和纹理特征，其中，所述纹理特征包括灰度共生矩阵和灰度-梯度共生矩阵。
[0025]本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
【附图说明】
[0026]本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中:
[0027]图1为根据本发明实施例的基于组合分类器的白内障眼底图像分类方法的流程图；
[0028]图2为根据本发明一个实施例的基于组合分类器的白内障眼底图像分类方法的流程图；
[0029]图3为根据本发明一个实施例的白内障眼底图像示意图；
[0030]图4为根据本发明实施例的基于组合分类器的白内障眼底图像分类装置的结构不意图；以及
[0031]图5为根据本发明一个实施例的基于组合分类器的白内障眼底图像分类装置的结构示意图。
【具体实施方式】
[0032]下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0033]此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对 重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0034]在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0035]在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度小于第二特征。
[0036]下面参照附图描述根据本发明实施例提出的基于组合分类器的白内障眼底图像分类方法及分类装置，首先将参照附图描述根据本发明实施例提出的基于组合分类器的白内障眼底图像分类方法。参照图1所示，该分类方法包括以下步骤:
[0037]S101，获取白内障眼底图像。
[0038]S102，对白内障眼底图像进行预处理。
[0039]进一步地，在本发明的一个实施例中，预处理包括:提取RGB彩色空间和G通道图像；对G通道图像进行两次直方图均衡化处理；和/或通过高低帽算法和三边滤波器处理G通道图像。
[0040]S103，分别通过小波变换、轮辅方法和纹理分析从处理后的白内障眼底图像中提取N组特征，N为正整数。
[0041]进一步地，在本发明的一个实施例中，N组特征中每个特征包括亮度特征和纹理特征，其中，纹理特征包括灰度共生矩阵和灰度-梯度共生矩阵。
[0042]进一步地，在本发明的一个实施例中，N可以为3，M可以为6。
[0043]具体地，参照图2所示，在本发明的一个实施例中，根据对预处理后的图像进行分析，使用三种不同的方法可以提取三组特征:
[0044]a.使用小波变换提取特征(小波特征)
[0045]在图像预处理阶段提取RGB彩色空间的G通道图像，对G通道图像进行两次直方图均衡化操作。对预处理后的图像使用三级Haar小波分解，不同类别的眼底图像经过Haar小波变换后第三级的系数分布不同。因此可以用来作为特征用于分类眼底图像。
[0046]b.使用轮辅方法进行特征提取(轮辅特征)
[0047]眼底图像的预处理和a中小波变换的一样。参照图3所示，在预处理的眼底图像上取18条直径(每条之间等角度)和5个不同半径的经向圆。当图像中的血管穿过直径或者经向圆，将会产生一个局部峰值，眼底图像的血管信息越多，波动越大。
[0048]c.使用上面介绍的论文中的方法进行特征提取(纹理特征)
[0049]在图像预处理阶段主要包括提取RGB彩色空间的G通道图像、改进的高低帽算法和三边滤波器处理三部分。在预处理后的眼底图像中提取了 40个特征，包括I个亮度特征、24个灰度共生矩阵特征和15个灰度-梯度共生矩阵特征。
[0050]S104，分别通过支持向量机和BP神经网对N组特征进行预测分类，以获取M种预测分类结果，M为大于等于N的正整数。
[0051]进一步地，对于提取的三组特征分别使用支持向量机和BP神经网络进行预测分类，将产生六种预测的结果。
[0052]其中，在本发明的一个实施例中，使用支持向量机和BP神经网络可以将白内障眼底图像分为正常、轻度、中度和重度四个类别。
[0053]S105，通过组合分类器对M种预测分类结果进行投票分类，以获取最终分类结果。
[0054]进一步地，在本发明的一个实施例中，采用组合分类器的投票法选取获得票数最多的预测分类结果作为最终分类结果。
[0055]其中，对六种预测结果使用组合分类器中常用的投票法，选择六中预测结果中获得投票数最多的类别作为最终的类别。
[0056]在本发明的实施例中，本发明实施例对白内障眼底图像做图像预处理操作，对预处理后的眼底照片进行分析，使用三种不同的方法提取了三组特征，其次对于提取到的三组特征，分别使用支持向量机和BP神经网络将白内障眼底图像分为正常、轻度、中度和重度四个类别，最后采用组合分类器中的投票法获得白内障眼底图像的最终类别，最后的分类正确率能达到85.6%，相比于相关技术中论文的分类方法提高了 3.1 %的正确率，对具体应用和医学研宄都有很大意义。
[0057]根据本发明实施例提出的基于组合分类器的白内障眼底图像分类方法，在对白内障眼底图像进行预处理之后，通过小波变换、轮辅方法和纹理分析分别提取多组特征，其次通过支持向量机和BP神经网对多组特征进行预测分类，最后通过组合分类器进行投票分类，以获取最终分类结果，提高分类的精确度，更好地满足对于正确率的使用要求。
[0058]其次参照附图描述根据本发明实施例提出的基于组合分类器的白内障眼底图像分类装置。参照图4所示。该分类装置10包括:获取模块100、处理模块200、提取模块300、第一分类模块400和第二分类模块500。
[0059]其中，获取模块100用于获取白内障眼底图像。处理模块200用于对白内障眼底图像进行预处理。提取模块300用于分别通过小波变换、轮辅方法和纹理分析从处理后的白内障眼底图像中提取N组特征，N为正整数。第一分类模块400用于分别通过小波变换、轮辅方法和纹理分析从处理后的白内障眼底图像中提取N组特征，N为正整数。第二分类模块500用于通过组合分类器对M种预测分类结果进行投票分类，以获取最终分类结果。本发明实施例的分类装置10通过小波变换、轮辅方法和纹理分析提取特征，其次通过支持向量机和BP神经网进行预测分类，从而获取分类结果，提高分类的精确度。
[0060]进一步地，在本发明的一个实施例中，N可以为3，M可以为6。
[0061]进一步地，在本发明的一个实施例中，N组特征中每个特征包括亮度特征和纹理特征，其中，纹理特征包括灰度共生矩阵和灰度-梯度共生矩阵。
[0062]进一步地，在本发明的一个实施例中，参照图5所示，处理模块200包括:提取单元201和处理单元202。
[0063]其中，提取单元201用于提取RGB彩色空间和G通道图像。处理单元202用于对G通道图像进行两次直方图均衡化处理和/或通过高低帽算法和三边滤波器处理G通道图像。
[0064]具体地，参照图2所示，在本发明的一个实施例中，根据对预处理后的图像进行分析，使用三种不同的方法可以提取三组特征:
[0065]a.使用小波变换提取特征(小波特征)
[0066]在图像预处理阶段提取RGB彩色空间的G通道图像，对G通道图像进行两次直方图均衡化操作。对预处理后的图像使用三级Haar小波分解，不同类别的眼底图像经过Haar小波变换后第三级的系数分布不同。因此可以用来作为特征用于分类眼底图像。
[0067]b.使用轮辅方法进行特征提取(轮辅特征)
[0068]眼底图像的预处理和a中小波变换的一样。参照图3所示，在预处理的眼底图像上取18条直径(每条之间等角度)和5个不同半径的经向圆。当图像中的血管穿过直径或者经向圆，将会产生一个局部峰值，眼底图像的血管信息越多，波动越大。
[0069]c.使用上面介绍的论文中的方法进行特征提取(纹理特征)
[0070]在图像预处理阶段主要包括提取RGB彩色空间的G通道图像、改进的高低帽算法和三边滤波器处理三部分。在预处理后的眼底图像中提取了 40个特征，包括I个亮度特征、24个灰度共生矩阵特征和15个灰度-梯度共生矩阵特征。
[0071]进一步地，使用支持向量机和BP神经网络可以将白内障眼底图像分为正常、轻度、中度和重度四个类别，其次对六种预测结果使用组合分类器中常用的投票法，选择六中预测结果中获得投票数最多的类别作为最终的类别。
[0072 ]进一步地，在本发明的一个实施例中，第二分类模块500具体用于采用组合分类器的投票法选取获得票数最多的预测分类结果作为最终分类结果。
[0073]在本发明的实施例中，本发明实施例对白内障眼底图像做图像预处理操作，对预处理后的眼底照片进行分析，使用三种不同的方法提取了三组特征，其次对于提取到的三组特征，分别使用支持向量机和BP神经网络将白内障眼底图像分为正常、轻度、中度和重度四个类别，最后采用组合分类器中的投票法获得白内障眼底图像的最终类别，最后的分类正确率能达到85.6%，相比于相关技术中论文的分类方法提高了 3.1 %的正确率，对具体应用和医学研宄都有很大意义。
[0074]根据本发明实施例提出的基于组合分类器的白内障眼底图像分类装置，在对白内障眼底图像进行预处理之后，通过小波变换、轮辅方法和纹理分析分别提取多组特征，其次通过支持向量机和BP神经网对多组特征进行预测分类，最后通过组合分类器进行投票分类，以获取最终分类结果，提高分类的精确度，更好地满足对于正确率的使用要求。
[0075]流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
[0076]在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPR0M或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0077]应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
[0078]本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0079]此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0080]上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0081]在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0082]尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
【主权项】
1.一种基于组合分类器的白内障眼底图像分类方法，其特征在于，包括以下步骤: 获取白内障眼底图像； 对所述白内障眼底图像进行预处理； 分别通过小波变换、轮辅方法和纹理分析从所述处理后的白内障眼底图像中提取N组特征，N为正整数； 分别通过支持向量机和BP神经网对所述N组特征进行预测分类，以获取M种预测分类结果，M为大于等于N的正整数；以及 通过组合分类器对所述M种预测分类结果进行投票分类，以获取最终分类结果。2.根据权利要求1所述的基于组合分类器的白内障眼底图像分类方法，其特征在于，所述N为3，所述M为6。3.根据权利要求1所述的基于组合分类器的白内障眼底图像分类方法，其特征在于，所述预处理包括: 提取RGB彩色空间和G通道图像； 对所述G通道图像进行两次直方图均衡化处理；和/或 通过高低帽算法和三边滤波器处理所述G通道图像。4.根据权利要求1所述的基于组合分类器的白内障眼底图像分类方法，其特征在于，采用所述组合分类器的投票法选取获得票数最多的预测分类结果作为所述最终分类结果。5.根据权利要求1所述的基于组合分类器的白内障眼底图像分类方法，其特征在于，所述N组特征中每个特征包括亮度特征和纹理特征，其中，所述纹理特征包括灰度共生矩阵和灰度-梯度共生矩阵。6.一种基于组合分类器的白内障眼底图像分类装置，其特征在于，包括: 获取模块，用于获取白内障眼底图像； 处理模块，用于对所述白内障眼底图像进行预处理； 提取模块，用于分别通过小波变换、轮辅方法和纹理分析从所述处理后的白内障眼底图像中提取N组特征，N为正整数； 第一分类模块，用于分别通过小波变换、轮辅方法和纹理分析从所述处理后的白内障眼底图像中提取N组特征，N为正整数；以及 第二分类模块，用于通过组合分类器对所述M种预测分类结果进行投票分类，以获取最终分类结果。7.根据权利要求6所述的基于组合分类器的白内障眼底图像分类装置，其特征在于，所述N为3，所述M为6。8.根据权利要求6所述的基于组合分类器的白内障眼底图像分类装置，其特征在于，所述处理模块包括: 提取单元，用于提取RGB彩色空间和G通道图像； 处理单元，用于对所述G通道图像进行两次直方图均衡化处理和/或通过高低帽算法和三边滤波器处理所述G通道图像。9.根据权利要求6所述的基于组合分类器的白内障眼底图像分类装置，其特征在于，所述第二分类模块具体用于采用所述组合分类器的投票法选取获得票数最多的预测分类结果作为所述最终分类结果。10.根据权利要求6所述的基于组合分类器的白内障眼底图像分类装置，其特征在于，所述N组特征中每个特征包括亮度特征和纹理特征，其中，所述纹理特征包括灰度共生矩阵和灰度-梯度共生矩阵。
【专利摘要】本发明公开了一种基于组合分类器的白内障眼底图像分类方法及分类装置，其中，方法包括以下步骤：获取白内障眼底图像；对白内障眼底图像进行预处理；分别通过小波变换、轮辅方法和纹理分析从处理后的白内障眼底图像中提取特征；分别通过支持向量机和BP神经网对特征进行预测分类，以获取预测分类结果；通过组合分类器进行投票分类，以获取最终分类结果。该方法在对图像进行预处理之后，通过小波变换、轮辅方法和纹理分析提取特征，其次通过支持向量机和BP神经网进行预测分类，从而获取分类结果，提高分类的精确度。
【IPC分类】G06K9/60, G06K9/62
【公开号】CN104881683
【申请号】CN201510275513
【发明人】杨吉江, 沈睿芳, 王青, 曾杨
【申请人】清华大学
【公开日】2015年9月2日
【申请日】2015年5月26日