為了實現對血管內超聲(IVUS)灰階圖像中的血管壁(包括粥樣硬化斑塊、血管分叉和支架等)進行自動識別和分類, 分別采用局部二值模式(LBP)、Haar-like和Gabor濾波提取圖像的紋理特征, 然后采用Gentle Adaboost分類器對降維后的特征數據進行分類, 并優化分類器參數。對臨床圖像數據的實驗結果表明以人工標定的結果作為金標準, 識別脂質斑塊的精度可達94.54%, 區分纖維化斑塊和鈣化斑塊的精度可達93.08%, 對血管分叉和支架的識別精度分別可達93.20%和93.50%。
