摘要
本周主要进行了图像特征与描述算法的学习,以及文献的阅读。图像特征与描述算法抓主要讲的是把同一地点不同方位的两张图拼成一张图的原理。利用的是图像的特征,包括颜色特征,几何特征,基于特征关键点的描述子,其他特征提取等。文献阅读是关于基于区域适应的深度学习用于对PD-L1染色组织图像的自动T肿瘤细胞(TC)评分和生存分析,讲的是两个系统的对照,第一个系统学会复制肿瘤细胞(TC)评分的病理学评估,用于患者分层。第二个系统不需要对TC评分进行假设,直接从总体生存时间和事件信息中学习患者分层。
一、图像特征与描述
1.1、颜色特征
颜色空间有RGB,HSV等,量化颜色直方图就是统计像素的数量,但是也有一些问题,量化出来的图比较稀疏。这会给后续的计算带来一些问题。
由于量化颜色直方图带来的稀疏的问题,所以采用聚类颜色直方图。
1.2、几何特征提取
边缘就是像素变化明显的区域,也就是一阶导数的极值区域,具有明显的语义信息,它可以用于物体的识别和几何、视角的转换。
1.3、基于特征点的特征描述子
1.3.1、几何特征:关键点
1.3.2、几何特征:Harris角点
1.3.2.1、Harris角点程序
import numpy as np
import cv2 as cv
filename = 'chessboard.png'
img = cv.imread(filename)
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
gray = np.float32(gray)
#找到harris-corner,harris角点是一种显著点,在角点的任何方向上移动小观察窗,会导致大的像素变动。
dst = cv.cornerHarris(gray,2,3,0.04)
#result is dilated for marking the corners, not important
dst = cv.dilate(dst,None)
# Threshold for an optimal value, it may vary depending on the image.
img[dst>0.01*dst.max()]=[0,0,255]
cv.imshow('dst',img)
if cv.waitKey(0) & 0xff == 27:
cv.destroyAllWindows()
1.3.3、FAST角点
1.3.4、几何特征:斑点
1.3.5、局部特征:SIFT
SIFT是基于尺度不变的特征,它适合于在海量特征数据库中进行快速的、准确的查找。
1.3.5.1、SIFT程序
import numpy as np
import cv2 as cv
img = cv.imread('home.jpg')
#海量特征数据库中进行快速的、准确的查找
gray= cv.cvtColor(img,cv.COLOR_BGR2GRAY)
sift = cv.xfeatures2d.SIFT_create()
kp = sift.detect(gray,None)
img=cv.drawKeypoints(gray,kp,img)
cv.imshow("SIFT", img)
cv.imwrite('sift_keypoints.jpg',img)
cv.waitKey(0)
cv.destroyAllWindows()
1.3.6、局部特征:SURF
在讲局部特征之前,先讲一下Haar-like特征,Haar-like特征有几个特征,比如边缘特征、线性特征、中心特征以及对角线特征等等构成特征模板,他的特征值代表了图像的灰度变化情况。
SURF的作用就是