[ACM出版社 澳大拉西亚计算机科学周多会议 - 悉尼，新南威尔士州，澳大利亚（2019.01.29-2019.01.31）] 澳大拉西亚计算机科学周多会议论文集 - ACSW 2019 - 比较像素N-gram和视觉词袋特征用于糖尿病视网膜病变分类

1：实验设计与方法选择：

本研究比较了像素N-gram特征与BoVW特征在图像分类中的表现。像素N-gram通过提取水平和垂直方向上N个连续灰度像素强度序列，经归一化后作为分类器输入；BoVW特征则从SIFT、SURF、HOG和LTP等局部描述符生成视觉词典。采用的分类器包括SVM、MLP和KNN，通过交叉验证和F值指标评估性能。

2：样本选择与数据来源：

数据集包含Lake Imaging的乳腺X光片（80幅：20例边界清晰肿块、20例毛刺状肿块、40例正常）、UIUC纹理库图像、人工生成的几何形状图像（不同尺寸位置的圆形/方形/三角形），以及糖尿病视网膜病变图像（筛查诊所提供的272例轻度、124例中度、47例重度、450例无DR图像，分辨率2048×1360像素）。

3：实验设备与材料清单：

使用MATLAB软件进行图像处理（裁剪/缩放），DICOM呈现状态对象标注乳腺X光片，标准计算硬件用于特征提取与分类。

4：实验流程与操作步骤：

乳腺X光片经双三次插值统一至最低分辨率，在病灶区域或中心裁剪140×140像素ROI，灰度级降至8阶，提取N=1-4的像素N-gram特征并归一化计数后训练分类器；视网膜病变图像转为灰度后计算3-gram计数，经归一化后采用SVM分类器配合10折交叉验证。

5：数据分析方法：

通过F值、真阳性率、假阳性率及交叉验证（留一法/10折）评估性能，并与直方图、Haralick和BoVW特征进行对比。