A type of coronavirus disease called COVID‐19 is spreading all over the globe. Researchers and scientists are endeavoring to find new and effective methods to diagnose and treat this disease. This article presents an automated and fast system that identifies COVID‐19 from X‐ray radiographs of the chest using image processing and machine learning algorithms. Initially, the system extracts the feature descriptors from the radiographs of both healthy and COVID‐19 affected patients using the speeded up robust features algorithm. Then, visual vocabulary is built by reducing the number of feature descriptors via quantization of feature space using the K‐means clustering algorithm. The visual vocabulary train the support vector machine (SVM) classifier. During testing, an X‐ray radiograph's visual vocabulary is sent to the trained SVM classifier to detect the absence or presence of COVID‐19. The study used the dataset of 340 X‐ray radiographs, 170 images of each Healthy and Positive COVID‐19 class. During simulations, the dataset split into training and testing parts at various ratios. After training, the system does not require any human intervention and can process thousands of images with high precision in a few minutes. The performance of the system is measured using standard parameters of accuracy and confusion matrix. We compared the performance of the proposed SVM‐based classier with the deep‐learning‐based convolutional neural networks (CNN). The SVM yields better results than CNN and achieves a maximum accuracy of up to 94.12%.

中文翻译：

---

一种使用图像处理和机器学习从胸部 X 光片中识别 COVID-19 的自动化快速系统

一种称为 COVID-19 的冠状病毒疾病正在全球蔓延。研究人员和科学家正在努力寻找新的有效方法来诊断和治疗这种疾病。本文介绍了一种自动化且快速的系统，该系统使用图像处理和机器学习算法从胸部 X 光片中识别 COVID-19。最初，系统使用加速鲁棒特征算法从健康和受 COVID-19 影响的患者的 X 光片中提取特征描述符。然后，通过使用 K-means 聚类算法量化特征空间来减少特征描述符的数量，从而构建视觉词汇表。视觉词汇训练支持向量机 (SVM) 分类器。在测试期间，X 射线照片 将视觉词汇表发送到经过训练的 SVM 分类器，以检测 COVID-19 的存在与否。该研究使用了 340 张 X 射线照片的数据集，每个健康和阳性 COVID-19 类别的 170 张图像。在模拟过程中，数据集以不同的比例分为训练和测试部分。经过训练，该系统不需要任何人工干预，可以在几分钟内高精度处理数千张图像。使用准确度和混淆矩阵的标准参数来衡量系统的性能。我们比较了基于 SVM 的分类器与基于深度学习的卷积神经网络 (CNN) 的性能。SVM 产生比 CNN 更好的结果，最高准确率高达 94.12%。每个健康和阳性 COVID-19 类别的 170 张图像。在模拟过程中，数据集以不同的比例分为训练和测试部分。经过训练，该系统不需要任何人工干预，可以在几分钟内高精度处理数千张图像。使用准确度和混淆矩阵的标准参数来衡量系统的性能。我们比较了基于 SVM 的分类器与基于深度学习的卷积神经网络 (CNN) 的性能。SVM 产生比 CNN 更好的结果，最高准确率高达 94.12%。每个健康和阳性 COVID-19 类别的 170 张图像。在模拟过程中，数据集以不同的比例分为训练和测试部分。经过训练，该系统不需要任何人工干预，可以在几分钟内高精度处理数千张图像。使用准确度和混淆矩阵的标准参数来衡量系统的性能。我们比较了基于 SVM 的分类器与基于深度学习的卷积神经网络 (CNN) 的性能。SVM 产生比 CNN 更好的结果，最高准确率高达 94.12%。该系统不需要任何人工干预，可以在几分钟内高精度处理数千张图像。使用准确度和混淆矩阵的标准参数来衡量系统的性能。我们比较了基于 SVM 的分类器与基于深度学习的卷积神经网络 (CNN) 的性能。SVM 产生比 CNN 更好的结果，最高准确率高达 94.12%。该系统不需要任何人工干预，可以在几分钟内高精度处理数千张图像。使用准确度和混淆矩阵的标准参数来衡量系统的性能。我们比较了基于 SVM 的分类器与基于深度学习的卷积神经网络 (CNN) 的性能。SVM 产生比 CNN 更好的结果，最高准确率高达 94.12%。