一种基于PSO-SVM算法的B超图像智能识别方法及装置与流程

一种基于pso-svm算法的b超图像智能识别方法及装置
技术领域
1.本发明涉及人工智能领域，尤其涉及一种基于pso-svm算法的b超图像智能识别方法、装置、电子设备以及计算机可读存储介质。


背景技术：

2.b超图像识别是指对医学领域中通过b超采集设备采集的图像进行分类的过程，通过对b超图像的识别可以辅助医生进行更好的疾病诊断。
3.目前，b超图像识别通常是采用人工神经网络的方法实现，但是人工神经网络往往只有存在足够多的训练样本的前提下才具有较好的分类效果，但是在医学领域中，b超图像的训练样本通常是有限的，因此无法保障后续b超图像识别的识别准确性。


技术实现要素：

4.为了解决上述技术问题，本发明提供了一种基于pso-svm算法的b超图像智能识别方法、装置、电子设备以及计算机可读存储介质，可以提高b超图像的识别准确性。
5.第一方面，本发明提供了一种基于pso-svm算法的b超图像智能识别方法，包括：
6.获取训练b超图像，识别所述训练b超图像的目标区域，并提取所述目标区域的空域纹理特征和频域纹理特征；
7.将所述空域纹理特征和所述频域纹理特征进行特征归一化，得到目标纹理特征；
8.根据所述目标纹理特征，构建所述训练b超图像的分类超平面函数，并利用预设的粒子群算法对所述分类超平面函数进行优化，得到优化分类函数；
9.利用所述优化分类函数识别待检测b超图像的图像类别，得到所述待检测b超图像的识别结果。
10.在第一方面的一种可能实现方式中，所述识别所述训练b超图像的目标区域，包括：
11.将所述训练b超图像输入至预先训练好的区域检测模型中，以通过所述区域检测模型中的卷积层对所述训练b超图像进行特征提取，得到特征图像，并利用所述区域检测模型中的标准层对所述特征图像进行标准化，得到标准图像；
12.利用所述区域检测模型中的池化层对所述标准图像进行池化处理，得到池化图像；
13.利用所述区域检测模型中的全连接层识别所述池化图像的区域类别，根据所述区域类别，利用所述区域检测模型中的输出层输出所述训练b超图像的目标区域。
14.在第一方面的一种可能实现方式中，所述提取所述目标区域的空域纹理特征和频域纹理特征，包括：
15.确定所述目标区域的纹理特征参数，根据所述纹理特征参数，构建所述目标区域的空域共生矩阵，根据所述空域共生矩阵，提取所述目标区域的空域纹理特征；
16.对所述目标区域进行小波分解，得到分解图像，计算所述分解图像的全局特征，利
用预设的降维算法删除所述全局特征的冗余特征信息，得到所述目标区域的频域纹理特征。
17.在第一方面的一种可能实现方式中，所述将所述空域纹理特征和所述频域纹理特征进行特征归一化，得到目标纹理特征，包括：
18.确定所述空域纹理特征和所述频域纹理特征的归一化区域；
19.利用预设的归一化算法分别将所述空域纹理特征和所述频域纹理特征映射到所述归一化区域中，得到空域归一化特征和频域归一化特征；
20.将所述空域归一化特征和所述频域归一化特征作为所述目标纹理特征。
21.在第一方面的一种可能实现方式中，所述根据所述目标纹理特征，构建所述训练b超图像的分类超平面函数，包括：
22.将所述目标纹理特征映射到预设的向量坐标中，得到特征向量坐标；
23.计算所述特征向量坐标中任意两个向量坐标之间的坐标距离，并选择所述坐标距离最小的特征向量坐标作为目标特征坐标；
24.根据所述目标特征坐标构建所述训练b超图像的边界函数，根据所述边界函数，构建所述分类超平面函数。
25.在第一方面的一种可能实现方式中，所述利用预设的粒子群算法对所述分类超平面函数进行优化，得到优化分类函数，包括：
26.初始化所述分类超平面函数的粒子群，利用所述预设的粒子群算法计算所述粒子群在所述分类超平面函数的当前位置和当前速度；
27.根据所述当前位置及所述当前速度，判断所述粒子群是否处于所述分类超平面函数的全局最优位置，并在所述粒子群处于所述分类超平面函数的全局最优位置时，得到所述优化分类函数。
28.在第一方面的一种可能实现方式中，所述利用预设的粒子群算法对所述分类超平面函数进行优化，得到优化分类函数，包括：
29.初始化所述分类超平面函数的粒子群，利用所述预设的粒子群算法计算所述粒子群在所述分类超平面函数的当前位置和当前速度；
30.根据所述当前位置及所述当前速度，判断所述粒子群是否处于所述分类超平面函数的全局最优位置，并在所述粒子群处于所述分类超平面函数的全局最优位置时，得到所述优化分类函数。
31.第二方面，本发明提供了一种基于pso-svm算法的b超图像智能识别装置，所述装置包括：
32.纹理特征提取模块，用于获取训练b超图像，识别所述训练b超图像的目标区域，并提取所述目标区域的空域纹理特征和频域纹理特征；
33.纹理特征归一化模块，用于将所述空域纹理特征和所述频域纹理特征进行特征归一化，得到目标纹理特征；
34.分类函数生成模块，用于根据所述目标纹理特征，构建所述训练b超图像的分类超平面函数，并利用预设的粒子群算法对所述分类超平面函数进行优化，得到优化分类函数；
35.b超图像识别模块，用于利用所述优化分类函数识别待检测b超图像的图像类别，得到所述待检测b超图像的识别结果。
36.第三方面，本发明提供一种电子设备，包括：
37.至少一个处理器；以及与所述至少一个处理器通信连接的存储器；
38.其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，以使所述至少一个处理器能够执行如上述第一方面中任意一项所述的基于pso-svm算法的b超图像智能识别方法。
39.第四方面，本发明提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任意一项所述的基于pso-svm算法的b超图像智能识别方法。
40.与现有技术相比，本方案的技术原理及有益效果在于：
41.本方案首先通过识别训练b超图像的目标区域，可以提高b超图像的识别准确性，并提取所述目标区域的空域纹理特征和频域纹理特征，可以获取在不同域的状态下所述目标区域的纹理特征，保障后续分类超平面函数的训练能力，从而可以提高b超图像的识别能力；其次，本发明实施例通过将所述空域纹理特征和所述频域纹理特征进行特征归一化，得到目标纹理特征，可以获取在不同域的状态下所述目标区域的纹理特征，保障后续分类超平面函数的训练能力，从而可以提高b超图像的识别能力；进一步地，本发明实施例通过根据所述目标纹理特征，构建所述训练b超图像的分类超平面函数，并利用预设的粒子群算法对所述分类超平面函数进行优化，得到优化分类函数，以识别待检测b超图像的图像类别，得到所述待检测b超图像的识别结果，可以保障所述分类超平面函数的图像分类识别能力，避免通过大量训练样本实现模型的训练，保障b超图像的识别准确性。因此，本发明实施例提出的一种基于pso-svm算法的b超图像智能识别方法、装置、电子设备以及存储介质可以提高b超图像的识别准确性。
附图说明
42.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
43.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
44.图1为本发明一实施例提供的一种基于pso-svm算法的b超图像智能识别方法的流程示意图；
45.图2为本发明一实施例中图1提供的一种基于pso-svm算法的b超图像智能识别方法的其中一个步骤的流程示意图；
46.图3为本发明一实施例中图1提供的一种基于pso-svm算法的b超图像智能识别方法的另外一个步骤的流程示意图；
47.图4为本发明一实施例提供的一种基于pso-svm算法的b超图像智能识别装置的模块示意图；
48.图5为本发明一实施例提供的实现基于pso-svm算法的b超图像智能识别方法的电子设备的内部结构示意图。
具体实施方式
49.应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
50.本发明实施例提供一种基于pso-svm算法的b超图像智能识别方法，所述基于pso-svm算法的b超图像智能识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之，所述基于pso-svm算法的b超图像智能识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
51.参阅图1所示，是本发明一实施例提供的基于pso-svm算法的b超图像智能识别方法的流程示意图。其中，图1中描述的基于pso-svm算法的b超图像智能识别方法包括：
52.s1、获取训练b超图像，识别所述训练b超图像的目标区域，并提取所述目标区域的空域纹理特征和频域纹理特征。
53.本发明实施例中，所述训练b超图像是指历史b超图像集合，其用于实现后续模型的构建和训练，常见的肝脏b超图像、腹部b超图像以及心脏b超图像等，可选的，所述训练b超图像可以通过查询医院后台数据库得到。
54.进一步地，本发明实施例通过识别所述训练b超图像的目标区域，以获取所述训练b超图像中的感兴趣区域，即获取影响所述训练b超图像的类别分类区域，提高后续图像的处理效率。
55.作为本发明的一个实施例，所述识别所述训练b超图像的目标区域，包括：将所述训练b超图像输入至预先训练好的区域检测模型中，以通过所述区域检测模型中的卷积层对所述训练b超图像进行特征提取，得到特征图像，并利用所述区域检测模型中的标准层对所述特征图像进行标准化，得到标准图像，利用所述区域检测模型中的池化层对所述标准图像进行池化处理，得到池化图像，利用所述区域检测模型中的全连接层识别所述池化图像的区域类别，根据所述区域类别，利用所述区域检测模型中的输出层输出所述训练b超图像的目标区域。
56.其中，所述预先训练好的区域检测模型是指通过训练数据进行训练完成的模型，其具备良好的区域检测能力，在本发明中，所述区域检测模型可以通过yolo3算法进行构建。
57.进一步地，本发明一可选实施例中，所述训练b超图像的特征提取通过所述卷积层中的卷积核实现，所述特征图像的标准化可以通过所述标准层中的跨连接模块实现，所述标准图像的池化处理可以通过所述池化层中的池化函数实现，如最大或最小池化函数，所述区域类别的识别可以通过所述全连接层中的激活函数实现，如softmax函数。
58.进一步地，本发明实施例通过提取所述目标区域的空域纹理特征和频域纹理特征，以获取在不同域的状态下所述目标区域的纹理特征，保障后续分类超平面函数的训练能力，从而可以提高b超图像的识别能力。
59.作为本发明的一个实施例，参阅图2所示，所述提取所述目标区域的空域纹理特征和频域纹理特征，包括：
60.s201、确定所述目标区域的纹理特征参数，根据所述纹理特征参数，构建所述目标区域的空域共生矩阵，根据所述空域共生矩阵，提取所述目标区域的空域纹理特征；
61.s202、对所述目标区域进行小波分解，得到分解图像，计算所述分解图像的全局特征，利用预设的降维算法删除所述全局特征的冗余特征信息，得到所述目标区域的频域纹理特征。
62.其中，所述纹理特征参数是指用于表征后续空域纹理特征的信息维度，包括对比度、相关、反差分矩以及熵等参数，所述空域共生矩阵是指在所述纹理特征参数的基础上所构建的目标区域的特征分布矩阵。
63.进一步地，本发明一可选实施例中，所述目标区域的空域共生矩阵可以通过灰度共生矩阵算法进行构建，所述空域纹理特征可以通过在所述空域共生矩阵中不同角度下纹理特征参数的方差和均值得到，可选的，所述角度可以设置为0度、45度、90度以及135度的矩阵方向。
64.进一步地，本发明一可选实施例中，所述目标区域的小波分解可以通过设置为3层分解，所述分解图像的全局特征可以通过计算所述分解图像中每个图像的能量方差得到，所述预设的降维算法包括主成分分析法。
65.s2、将所述空域纹理特征和所述频域纹理特征进行特征归一化，得到目标纹理特征。
66.本发明实施例通过将所述空域纹理特征和所述频域纹理特征进行特征归一化，以将所述空域纹理特征和所述频域纹理特征映射到同一值域范围中，消除因纹理特征所占取值范围的不同，影响后续数据处理的准确度。
67.作为本发明的一个实施例，所述将所述空域纹理特征和所述频域纹理特征进行特征归一化，得到目标纹理特征，包括：确定所述空域纹理特征和所述频域纹理特征的归一化区域，利用预设的归一化算法分别将所述空域纹理特征和所述频域纹理特征映射到所述归一化区域中，得到空域归一化特征和频域归一化特征，将所述空域归一化特征和所述频域归一化特征作为所述目标纹理特征。
68.其中，所述归一化区域是指所述空域纹理特征和所述频域纹理特征最终需要映射的值域范围，其可以设置为[0,1]。
[0069]
进一步地，本发明一可选实施例中，所述预设的归一化算法包括：
[0070][0071]
其中，x
*
表示归一化后的特征，x表示待归一化特征，min表示待归一化特征的最小值，max表示待归一化的最大值。
[0072]
s3、根据所述目标纹理特征，构建所述训练b超图像的分类超平面函数，并利用预设的粒子群算法对所述分类超平面函数进行优化，得到优化分类模型。
[0073]
本发明实施例通过根据所述目标纹理特征，构建所述训练b超图像的分类超平面函数，以保障后续b超图像的分类前提。作为本发明的一个实施例，参阅图3所示，所述根据所述目标纹理特征，构建所述训练b超图像的分类超平面函数，包括：
[0074]
s301、将所述目标纹理特征映射到预设的向量坐标中，得到特征向量坐标；
[0075]
s302、计算所述特征向量坐标中任意两个向量坐标之间的坐标距离，并选择所述坐标距离最小的特征向量坐标作为目标特征坐标；
[0076]
s303、根据所述目标特征坐标构建所述训练b超图像的边界函数，根据所述边界函数，构建所述分类超平面函数。
[0077]
其中，所述预设的向量坐标是指用于确定所述目标纹理特征中每个纹理特征的分类前提，所述坐标距离用于选取所述特征向量坐标中的关联元素，保障后续边界函数的构建前提，所述边界函数包括左边界函数和右边界函数，其用于实现图像的分类。
[0078]
进一步地，本发明实施例一可选实施例中，利用下述公式构建所述训练b超图像的边界函数：
[0079]
w*x＝1，w*x＝-1
[0080]
其中，x为所述目标特征坐标，w为固定参数。
[0081]
进一步地，本发明实施例一可选实施例中，利用下述公式构建所述分类超平面函数：
[0082][0083]
其中，f(x)表示分类超平面函数，sign表示边界函数，n表示目标纹理特征的数量，ai表示第i个拉格朗日乘子，k表示核函数，b表示权重，x，y表示目标纹理特征的向量坐标。
[0084]
进一步地，本发明实施例通过利用预设的粒子群算法对所述分类超平面函数进行优化，以保障所述分类超平面函数的图像分类识别能力。
[0085]
作为本发明的一个实施例，所述利用预设的粒子群算法对所述分类超平面函数进行优化，得到优化分类函数，包括：初始化所述分类超平面函数的粒子群，利用所述预设的粒子群算法计算所述粒子群在所述分类超平面函数的当前位置和当前速度，根据所述当前位置及所述当前速度，判断所述粒子群是否处于所述分类超平面函数的全局最优位置，并在所述粒子群处于所述分类超平面函数的全局最优位置时，得到所述优化分类函数。
[0086]
其中，所述粒子群是指通过群体中个体之间的协作和信息共享来寻找优化问题的最优解，在本发明中，所述粒子群用于寻找所述目标纹理特征在所述分类超平面函数的最优解，从而实现所述分类超平面函数的优化，保障后续b超图像的识别能力。
[0087]
进一步地，本发明一可选实施例中，所述利用所述预设的粒子群算法计算所述粒子群在所述分类超平面函数的当前位置和当前速度，包括：利用所述预设的粒子群算法中位置函数计算所述粒子群在所述分类超平面函数的当前位置，利用所述预设的粒子群算法中速度函数计算所述粒子群在所述分类超平面函数的当前速度。
[0088]
进一步地，本发明又一可选实施例中，所述位置函数包括：
[0089]
xi(t 1)＝xi(t) vi(t 1)
[0090]
所述速度函数包括：
[0091]
vi(t 1)＝wvi(t) c1r1(pi(t)-xi(t)) c2r2(g(t)-xi(t))
[0092]
其中，t为迭代次数，w为惯性因子，c1和c2是取值为正数的学习因子，r1和r2是介于(0,1)之间的随机数，vi(t)和vi(t 1)分别代表第i个粒子在第t次迭代和第(t 1)次迭代
时移动的速度，xi(t)和xi(t 1)分别代表第i个粒子在第t次迭代和第(t 1)次迭代时的位置，g(t)代表粒子群在第tt次迭代时的最优位置。
[0093]
进一步地，本发明一可选实施例中，所述粒子群是否处于所述分类超平面函数的全局最优位置可以通过判别所述粒子群的粒子适应度是否满足预设适应度，或者所述粒子群的迭代次数是否超过最大次数进行判别，即在所述粒子群的粒子适应度满足预设适应度，或所述粒子群的迭代次数超过最大次数时，表示所述粒子群处于所述分类超平面函数的全局最优位置，可选的，所述预设适应度和所述最大次数可以基于不同业务场景进行设置，在此不做进一步限定。
[0094]
s4、利用所述优化分类函数识别待检测b超图像的图像类别，得到所述待检测b超图像的识别结果。
[0095]
本发明实施例通过利用所述优化分类函数识别待检测b超图像的图像类别，以实现待检测b超图像的识别准确性，从而可以辅助医生做出更好的结果诊断，其中，所述图像类别包括正常类别和异常类别。
[0096]
可以看出，本方案首先通过识别训练b超图像的目标区域，可以提高b超图像的识别准确性，并提取所述目标区域的空域纹理特征和频域纹理特征，可以获取在不同域的状态下所述目标区域的纹理特征，保障后续分类超平面函数的训练能力，从而可以提高b超图像的识别能力；其次，本发明实施例通过将所述空域纹理特征和所述频域纹理特征进行特征归一化，得到目标纹理特征，可以获取在不同域的状态下所述目标区域的纹理特征，保障后续分类超平面函数的训练能力，从而可以提高b超图像的识别能力；进一步地，本发明实施例通过根据所述目标纹理特征，构建所述训练b超图像的分类超平面函数，并利用预设的粒子群算法对所述分类超平面函数进行优化，得到优化分类函数，以识别待检测b超图像的图像类别，得到所述待检测b超图像的识别结果，可以保障所述分类超平面函数的图像分类识别能力，避免通过大量训练样本实现模型的训练，保障b超图像的识别准确性。因此，本发明实施例提出的一种基于pso-svm算法的b超图像智能识别方法可以提高b超图像的识别准确性。
[0097]
如图4所示，是本发明基于pso-svm算法的b超图像智能识别装置的功能模块图。
[0098]
本发明所述基于pso-svm算法的b超图像智能识别装置400可以安装于电子设备中。根据实现的功能，所述基于pso-svm算法的b超图像智能识别装置可以包括纹理特征提取模块401、纹理特征归一化模块402、分类函数生成模块403以及b超图像识别模型404。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0099]
在本发明实施例中，关于各模块/单元的功能如下：
[0100]
所述纹理特征提取模块401，用于获取训练b超图像，识别所述训练b超图像的目标区域，并提取所述目标区域的空域纹理特征和频域纹理特征；
[0101]
所述纹理特征归一化模块402，用于将所述空域纹理特征和所述频域纹理特征进行特征归一化，得到目标纹理特征；
[0102]
所述分类函数生成模块403，用于根据所述目标纹理特征，构建所述训练b超图像的分类超平面函数，并利用预设的粒子群算法对所述分类超平面函数进行优化，得到优化分类函数；
[0103]
所述b超图像识别模块404，用于利用所述优化分类函数识别待检测b超图像的图像类别，得到所述待检测b超图像的识别结果。
[0104]
详细地，本发明实施例中所述基于pso-svm算法的b超图像智能识别装置400中的所述各模块在使用时采用与上述的图1至图3中所述的基于pso-svm算法的b超图像智能识别方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0105]
如图5所示，是本发明实现基于pso-svm算法的b超图像智能识别方法的电子设备的结构示意图。
[0106]
所述电子设备可以包括处理器50、存储器51、通信总线52以及通信接口53，还可以包括存储在所述存储器51中并可在所述处理器50上运行的计算机程序，如基于pso-svm算法的b超图像智能识别程序。
[0107]
其中，所述处理器50在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器50是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器51内的程序或者模块(例如执行基于pso-svm算法的b超图像智能识别程序等)，以及调用存储在所述存储器51内的数据，以执行电子设备的各种功能和处理数据。
[0108]
所述存储器51至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器51在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器51在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器51还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器51不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于pso-svm算法的b超图像智能识别程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0109]
所述通信总线52可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器51以及至少一个处理器50等之间的连接通信。
[0110]
所述通信接口53用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，所述用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0111]
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结
构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0112]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器50逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0113]
应该了解，所述实施例仅为说明之用，在专利发明范围上并不受此结构的限制。
[0114]
所述电子设备中的所述存储器51存储的基于pso-svm算法的b超图像智能识别程序是多个计算机程序的组合，在所述处理器50中运行时，可以实现：
[0115]
获取训练b超图像，识别所述训练b超图像的目标区域，并提取所述目标区域的空域纹理特征和频域纹理特征；
[0116]
将所述空域纹理特征和所述频域纹理特征进行特征归一化，得到目标纹理特征；
[0117]
根据所述目标纹理特征，构建所述训练b超图像的分类超平面函数，并利用预设的粒子群算法对所述分类超平面函数进行优化，得到优化分类函数；
[0118]
利用所述优化分类函数识别待检测b超图像的图像类别，得到所述待检测b超图像的识别结果。
[0119]
具体地，所述处理器50对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
[0120]
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0121]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0122]
获取训练b超图像，识别所述训练b超图像的目标区域，并提取所述目标区域的空域纹理特征和频域纹理特征；
[0123]
将所述空域纹理特征和所述频域纹理特征进行特征归一化，得到目标纹理特征；
[0124]
根据所述目标纹理特征，构建所述训练b超图像的分类超平面函数，并利用预设的粒子群算法对所述分类超平面函数进行优化，得到优化分类函数；
[0125]
利用所述优化分类函数识别待检测b超图像的图像类别，得到所述待检测b超图像的识别结果。
[0126]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0127]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个
网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0128]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0129]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0130]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0131]
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0132]
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。