论文开题思路总结

该文探讨了利用CNN与其他特征(如PCA和LBP)融合在细胞图像识别中的作用,强调了深度学习在处理图像特征提取时的挑战与解决方案,如残差网络。文章提到了不均匀光照补偿方法和多幅图像融合的层次式优化策略,旨在保留细节信息。参考了基于深度学习的医学影像分类和多幅眼底图像融合的研究,指出深度特征与手工特征结合能提升图像识别效果。
摘要由CSDN通过智能技术生成
  • 目标:低分辨率图提取同类细胞的共性特征(小类间距)和个性特征(大类间距)。

  • ①将LR变为HR再提取特征。类比多帧超分辨率提取不同帧的互补信息进行图像的重构。

  • ②实验:红细胞裂解,提取出白细胞,全息恢复(插值4倍)进行特征提取。

  • 样本:正常白细胞和制造异常的白细胞或死细胞。

  一个好的思路:利用CNN和其它特征混合进行特征提取,比如 CNN 和 Gabor 特征融合识别。PCA方法(数据降维)、LBP方法(二值化图谱)

1.1全局特征

PCA主成分分析法原理:高维向量V,通过特殊的特征向量矩阵M,投影到另一个低维度向量空间,变成向量y。

PCA融合出来个图进行训练。(丢失一些次要信息)

 1.2局部特征

LBP特征:表示灰度图像局部纹理的算子。有矩形结构的、圆形的。有旋转不变均匀LBP模式。局部算子处理,对全局特征表征较差,有人提出局部梯度模式(LGP)算子。

 

<
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值