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。
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。
最低0.47元/天 解锁文章
255
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
