Bagaimana cara mengambil tekstur menggunakan GLCM dan mengklasifikasikan menggunakan SVM Classifier?

Saya sedang dalam proyek segmentasi dan klasifikasi tumor hati. Saya masing-masing menggunakan Region Growing dan FCM untuk segmentasi hati dan tumor. Kemudian, saya menggunakan matriks Gray Level Co-kejadian untuk ekstraksi fitur tekstur. Saya harus menggunakan Support Vector Machine untuk Klasifikasi. Tapi saya tidak tahu bagaimana cara menormalkan vektor fitur sehingga saya bisa memberikannya sebagai input ke SVM. Adakah yang bisa mengatakan bagaimana cara memprogramnya di Matlab?

Untuk program GLCM, saya memberikan gambar tumor tersegmentasi sebagai input. Apakah saya benar? Jika demikian, saya pikir, maka, output saya juga akan benar.

Glcm coding saya, sejauh yang saya coba,

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

Apakah ini implementasi yang benar? Juga, saya mendapatkan kesalahan di baris terakhir.

Output saya adalah:

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 =

Kolom 1 hingga 6

0.0510    0.0503    0.9513    0.9519    0.8988    0.8988

Kolom 7 hingga 12

0.9930    0.9935    0.0345    0.0339    0.8223    0.8255

Kolom 13 hingga 18

0.9616    0.9617    0.9957    0.9957    0.0230    0.0246

Kolom 19 hingga 24

0.7450    0.7270    0.9815    0.9813    0.9971    0.9970

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

Gambar input adalah:

Apakah Anda menggunakan Matlab? Jika demikian maka Anda akan memerlukan Bioinformatika Toolbox, yang mencakup classifier SVM, atau Anda dapat mengunduh libsvm, yang memiliki pembungkus Matlab untuk pelatihan dan pengujian.

Maka Anda akan membutuhkan beberapa data berlabel. Apakah Anda mengklasifikasikan tumor hati sebagai lawan dari hati yang sehat? Maka Anda akan membutuhkan gambar tumor hati dan hati yang sehat, masing-masing diberi label demikian.

Maka Anda perlu menghitung beberapa fitur. Apa itu, tergantung pada sifat masalahnya. Fitur tekstur tampak seperti awal yang baik. Pertimbangkan untuk menggunakan matriks kejadian bersama atau pola biner lokal.

Sunting: Pada rilis R2014a ada fungsi fitcsvm dalam kotak alat pembelajaran statistik dan mesin untuk melatih classifier SVM biner. Ada juga fitcecoc untuk melatih SVM multi-kelas.

Artikel ini membahas persis dengan jenis klasifikasi yang diawasi yang sama berdasarkan GLCMkelas berlabel : Fitur Tekstur GLCM untuk Klasifikasi Tumor Otak