1、隨著各種影像設備在醫(yī)學診斷中的廣泛應用，醫(yī)學圖像處理技術對醫(yī)學科研及臨床實踐的作用和影響日益增大，其結果使臨床醫(yī)生對人體內(nèi)部病變部位的觀察更直接、更清晰，確診率也更高。因此，醫(yī)學圖像處理技術一直受到國內(nèi)外有關專家的高度重視，基于醫(yī)學影像的計算機輔助診斷也迅速發(fā)展起來。計算機輔助診斷可以提高放射科醫(yī)生診斷的準確率，協(xié)助醫(yī)生對醫(yī)學圖像進行判斷和識別。在特征提取的基礎上進行模式分類是基于醫(yī)學影像的計算機輔助診斷的重要步驟，所以本文針對圖像特征

2、提取和分類的問題展開研究。
　　 針對處于邊緣上的點能很好地顯示圖像特性的特點，本文提出了一種邊緣點檢測的方法，旨在簡化圖像數(shù)據(jù)，找到代表性的點集來代表圖像。同時，圖像的邊緣檢測是圖像處理中的重要方向之一，故本文采用分水嶺算法和模糊C均值聚類相結合的方法來找到邊緣點，不僅可以消除分水嶺算法帶來的過分割問題，還可以解決模糊C均值算法遞歸調(diào)用運算速度過慢的問題。實驗表明這種方法取得了很好的效果。
　　 對于特征提取問題，由于

3、特征提取的質(zhì)量是決定分類性能的關鍵因素，所以選擇一種適當?shù)奶卣魈崛》椒ㄖ陵P重要。描述圖像特征的方法有很多種，如顏色特征、紋理特征、形狀特征等。因為邊緣點具有方向性，較其他方法能夠更準確地描述圖像特征，所以本文采用邊緣點鄰域方向測度的方法對圖像進行特征提取。
　　 對于圖像分類問題，本文將支持向量機的機器學習方法引入其中。分析了支持向量機的理論基礎和數(shù)學模型，特別是支持向量機的推廣能力和核函數(shù)理論，在此基礎上應用支持向量機方法、采