本设计运用模式识别方法构建分类器，将提取的正常肝和脂肪肝B超图像纹理特征矢量，作为目标识别分类器的训练样本输入分类器，训练后的分类器最终可实现对肝脏B超图像正确识别。图像识别分类器设计是本课题研究的目的和重点，设计中采用误差反向传播（BP）神经网络、自组织特征映射神经网络（SOFM）及模糊C-均值聚类三种方法设计分类器，利用Matlab仿真比较各分类器达到的识别效果，最终确定对识别率最高的BP神经网络进行Visual C++编程，并实现界面可视化。

本设计任务

本设计主要针对脂肪肝B超图像进行特征识别方法的研究，对识别系统前期提取的有效特征进行分类，是建立脂肪肝B超图像识别系统的核心和关键。设计的主要任务在于特征识别方法的选择和分类器的构建。

由于模式识别近几年在医学图像的分析和识别方面的作用越来越大，成为了当前医学图像辅助诊断研究中最热门的技术之一。经过综合比较，因此在本设计中将模式识别方法作为选取的特征识别方法，利用模式识别方法构造自动处理某些信息的机器系统,以代替人完成分类和辨识的任务。

首先综合分析常用的模式识别方法，选定至少三种适用于脂肪肝B超图像识别的分类器，并进行搭建；然后对搭建的分类器分别进行Matlab仿真，将仿真结果进行比较，选择出最佳识别率的分类器；最后实现在Visual C++ 6.0平台中对分类器进行编程，并实现可视化。

本章小结

本章主要介绍了用于脂肪肝B超图像识别的BP网络的VC++实现，并给出了识别结果，然后实现了用户界面的可视化。

从识别结果来看，针对所选取的图片，该BP网络对正常肝的识别率可达85.71%,对脂肪肝的识别率可达84.78%。由此看来该网络达到了较好的识别率，有一定的实用性。

结论

本设计针对脂肪肝B超图像识别，主要研究三种模式识别方法，包括BP神经网络、自组织特征映射神经网络和模糊C-均值聚类算法。通过Matlab仿真结果可以看到，三种方法都达到了一定的识别率，其中BP网络的识别率最高，因此只对BP神经网络用VC++编程实现。以处理灰度共生矩阵特征值的BP网络为例，输入神经元数为12,输出神经元数为2,隐层神经元数分别取为15和25。在训练过程中，每训练一个样本的特征矢量修正一次权值，我们选取期望训练误差为10-3，最大训练步数为l0000 ,如果在最大训练步数以内，网络的误差降到期望误差之下，则训练停止，而且认为网络已经训练成功；如果训练步数超过最大训练步数，而网络误差还没有降到期望误差之下，则训练停止，且认为网络训练失败。经过网络训练测试，针对我们所选取测试样本，BP网络对正常肝的识别率可达85.71%，对脂肪肝的识别率可达84.78%；网络训练耗时在40秒左右，实现了对脂肪肝的识别目的，具有一定的推广、概括能力。