- 博客(32)
- 收藏
- 关注
RSS订阅原创 SimpleITK的使用介绍
总结：物理空间上的图像有以下属性：Origin：原点Size：大小–每一维度的像素数Spacing：像素之间的实际距离（nm、mm、km）Direction cosine matrix：物理空间上的轴线方向这些属性是图像的元数据（meta-data）。从图像索引计算物理坐标需要所有四个组件。图像可以包含元数据字典（meta-data）。这种补充信息通常包括图像模态(如CT)、患者姓名和与图像采集有关的信息。图像初始化: 用户指定的像素类型，用户指定的维度(2,3)，原点为零，
2021-01-20 20:06:23
6119
原创 Z-Score：定义，公式 和 数据标准化
一、 什么是 Z-Score？z-score 也叫 standard score， 用于评估样本点到总体均值的距离。z-score主要的应用是测量原始数据与数据总体均值相差多少个标准差。z-score是比较测试结果与正常结果的一种方法。测试与调查的结果往往有不同的单位和意义，简单地从结果本身来看可能毫无意义。当我们知道小明数学考了90分（满分100），我们也许会认为这是一个好消息，但是如果我们拿小明的成绩与班上平均成绩相比较，我们也许会深感惋惜。z-score可以告诉我们小明数学成绩和总体数学平均成绩的
2020-12-08 17:07:20
57705
1
原创 医学图像的 有损压缩 以及可接受的 压缩比
这里写自定义目录标题医学影像的数字化使得CT、MR、PET等医学影像能够很好地在计算机中存储，但是随着影像质量提高和数量的增加，储存医学影像需要消耗的存储资源也在不断增加，其速度甚至超过前者。因此，医学影像压缩也在被研究和利用， 图像存档与通讯供应商也提供不同的图像压缩方法，这些方法可以被分为两大类无损（reversible, lossless）压缩和有损（irreversible, lossy）压缩方法。无损压缩通常将图像逐位保存，在使用时不需任何顾虑，在解压缩之后可以直接使用的。有损压缩并不能精确地保
2020-12-02 22:06:37
2000
原创 domain adaptation 之 cycleGAN
之前写的两篇博客《domain adaptation 之 domain adversarial learning（一）》和《domain adaptation 之 domain adversarial learning (二）》使用对抗生成网络(GAN)寻找域不变性特征或拉近特征域距离都是在CNN 深度特征映射空间中进行的，本文介绍的方法是如何从源域生成一批目标域的数据集。一、cycleGAN介绍cycleGAN是一个图像到图像的对抗生成训练网络，可以很好地迁移图像风格。cycleGAN具有很好的普适性
2020-08-29 21:55:51
875
原创 scipy.stats 结构 以及几个常用的概率分布函数
scipy.statsscipy.stats 是 scipy 专门用于统计的函数库，所有的统计函数都位于子包 scipy.stats 中，可以使用 scipy.info(scipy.stats) 函数获得这些函数的完整列表。该模块包含大量的概率分以及不断增长的统计函数库。每一个单变量的分布都是以下三个类的子类的实例：类说明rv_continuous用于子类化的通用连续随机变量类rv_discrete用于子类化的通用离散随机变量类rv_histogram生成由直方图给
2020-08-28 14:31:07
6456
转载 肿瘤学常见概念汇总：5年生存率、完全缓解无病生存期DFS、总生存期OS、TTP、PFS
1. 5年生存率： 五年生存率系指某种肿瘤经过各种综合治疗后，生存五年以上的比例。意义 ：用五年生存率表达有其一定的科学性。某种肿瘤经过治疗后，有一部分可能出现转移和复发，其中的一部分人可能因肿瘤进入晚期而去世。转移和复发大多生在根治术后三年之内，约占80%，少部分发生在根治术后五年之内，约占10%。所以，各种肿瘤根治术后五年内不复发，再次复发的机会就很少了，故常用五年生存率表示各种癌症的疗效。术后五年之内，一定要巩固治疗，定期检查，防止复发，即使有转移和复发也能及早治疗。另外，也有用三年生存率和十年生
2020-08-18 10:09:06
9794
1
原创 domain adaptation 之 domain adversarial learning （二）
正如《domian adaptation 之 domain adversarial learning (一)》中介绍的，设计一个 domain adversarial learning 的新方法被简化为以下三个问题：是否选择基于生成或者辨别的网络；是否共享网络权重；选择哪一个对抗学习目标。为了拉近两个域之间的距离，可以共享网络参数也可以选择不共享网络参数；但是当特征生成器生成的源域特征固定，并使用网络提取的目标域特征模仿提取的源域特征时，需要固定源域特征生成器的参数并调整目标域特征生成器的参数。
2020-08-07 17:03:15
634
原创 domain adaptation 之 domain adversarial learning （一）
通过对抗性学习学习域之间的不变性是域适应中的一个策略。如何去设计一个新方法对域进行适应被简化为三个问题：是否选择基于生成或者辨别的网络；是否共享网络权重；选择哪一个对抗学习目标。论文[1]中介绍了一种域自适应方法，该方法使用了生成对抗网络，共享了网络权重，并选择GRL (gradient reversal layer)学习域之间的不变性特征。接下来对论文[1]进行介绍。该论文的目的是对显微镜图像(microscopy images, MSI) 进行分类，但是显微镜图像是没有标注的，但是整张切片
2020-08-07 14:44:37
1768
原创 domain adaptation 之 Maximun Mean discrepancy （一）
一、小数据集的过拟合问题我们现在了解到的是深度学习适合于大规模数据的应用，而在小规模的数据上易出现过拟合。深度学习的特点是它擅于记忆，它能非常出色地基础训练数据的数据特征，从而在训练的数据上表现优异。在针对特定任务时，大规模的数据往往能涵盖特征空间的绝大部分，此时的训练集的特征空间往往与验证集的特征空间高度重合，深度学习模型在记住训练集特征的同时也就记住了验证集特征，以至于在训练集表现优秀的模型在验证集数据上也能表现很好。但是小规模的数据集通常只占据特定任务特征空间的一部分，此时划分的训练集和验证集的特征
2020-08-06 11:31:07
439
原创 ssh 上传 文件及文件夹到 linux 服务器
每次从本地电脑传文件及文件夹到服务器，都要查一遍百度。好记性不如烂笔头，更何况记性还不好，这里只好记录一下。本文的内容是关于ssh 上传/下载 文件及文件夹到 linux 服务器。一、上传文件到Linux服务器命令如下：$ scp filename username@ip_address:directory_name例如：$ scp lucy.jpg [email protected]:/data/dataset/hdatasets二、上传文件夹到linux服务器命令如下：...
2020-07-19 11:20:17
1099
原创 python专属：有用的OS命令记录
一、os.walk(path)遍历文件夹path下的所有文件夹和文件，每次访问一个文件夹和文件，并在访问后输出该文件夹的root，文件夹下的dir，文件夹下的file。for root, dir, file in os.walk(path): print('-------') print(root) print(dir) print(file)...
2020-07-07 16:57:00
86
原创 一文看懂 序列最小最优化算法---SMO
一、SMO的背景介绍序列最小最优化算法（sequential minimal optimization，SMO）于1998年被John Platt发明，是一种用于解决支持向量机训练期间出现的二次规划问题的算法。在SMO之前也有一些算法用于解决此类问题，但是这些算法都比较复杂，所以高效的SMO提出之时就在SVM社区引起了一阵轰动。二、从SVM说起—SMO要解决什么如何优化SVM的参数？首先我们通过拉格朗日乘子法建立拉格朗日函数，再根据拉格朗日的对偶性求解极大极小值问题。这些，我已经在《支持向量机一：线性
2020-06-23 19:22:12
1711
原创 支持向量机 二 ：非线性支持向量机
为什么要用非线性支持向量机？线性支持向量机不香吗？为什么还要用非线性支持向量机？线性支持向量机香是香，但并不适合大多数数据集啊。比如下图这个数据，使用线性SVM就无法划分。...
2020-06-18 17:19:58
432
原创 支持向量机 一 ：线性支持向量机介绍
SMO简介序列最小最优化算法（sequential minimal optimization，SMO）用于解决二次规划问题，其被提出的目的是解决支持向量机（support vector machines，SVM)的优化问题。SMO于1998年被John Platt提出，当时在SVM研究者的圈子里引起了很大的轰动，因为之前的优化算法都比较复杂并且低效。SVM简介这里简单介绍一下SVM，因为SMO的提出来自对SVM的求解。假设我们有一组数据集D={(x1,y1),(x2,y2),...,(xn,yn)}
2020-06-16 16:43:00
437
原创 使用图像解释矩阵特征向量与特征值
矩阵特征值与特征向量矩阵AAA与特征向量vvv特征值λ\lambdaλ之间的关系是:Av=λvAv=\lambda vAv=λv通过计算，我们可以求取AAA的一系列特征向量组成的特征矩阵V=[v1,v2,v3,...,vn]V=[v_1,v_2,v_3,...,v_n]V=[v1,v2,v3,...,vn]和对应的一系列特征值组成的特征值矩阵Λ=diag[λ11,λ22,...,λnn]\Lambda=diag[\lambda_{11},\lambda_{22},...,\lambda_{nn}
2020-06-08 19:42:14
1587
原创 Image 常用命令整理
im=Image.open(path)读取图片im.show()显示一张图片im.save()保存图片Image.new(mode,size,color)创建新图片Image.nblend(img1,img2,alpha)两张图片相加im.format/size/model查看图像信息im.crop(box)图片裁剪im.paste(region,box)图像黏贴（合并）im.split()通道分离Image.merge("...
2020-06-07 22:10:51
2120
原创 skimage常用命令整理
scikit-image各模块与主要功能子模块名称主要实现功能io读取、保存和显示图片和视频data提供一些测试图片和样本数据color颜色空间变换filters图像增强、边缘检测、排序滤波器、自动阈值等draw操作于np数组上的基本图形绘制，包括线条、矩形、圆和文本等transform集合变换或其它变换如旋转、拉伸等morphology形态学操作，如开闭操作、骨架提取等exposure图片强度调整，如亮度调整、直方图均衡等
2020-06-07 09:40:40
1305
原创 skimage、cv2、Image常用命令对比
readtypeRGBHWCnp_HWCnp_intensityto_grayshowsaveskimageio.imageskimageRGBHWCHWCuint8color.rgb2grayimshowio.imwritecv2imreadnumpyBGRHWCHWCuint8cvtcolorimshowimwriteImageopenPILRGBWHHWCuint8convertim.showim.s...
2020-06-06 15:24:20
360
原创 人工特征在图像处理中的应用案例
概述本文介绍论文《A radiomics model from joint FDG-PET and MRI texture features for the prediction of lung metastases in soft-tissue sarcomas of the extremities》中使用人工设计的放射组学的特征构建预测模型的案例。该论文基于PDG-PET和MRI数据，旨在构...
2020-03-01 20:10:25
714
原创 半监督学习下的条件熵与交叉熵
问题描述.对于有监督学习，我们有数据集 Dl={(xi,yi)∣i=1,2,3,…,n}D_l = \{(x_i,y_i)|i = 1,2,3,…,n\}Dl={(xi,yi)∣i=1,2,3,…,n}，其中 xi∈Rdx_i ∈ R^dxi∈Rd , yiy_iyi是监督信号，yi∈{y1,y2,…,yk}y_i∈\{y_1,y_2,…,y_k\}yi∈{y1,y2,…,y...
2019-12-12 16:01:23
1238
原创 纹理特征四：NGTDM--邻域灰度差矩阵
纹理特征四：NGTDM–邻域灰度差矩阵1. NGTDM 的解释与计算定义： 假设i=f(k,l)i=f(k,l)i=f(k,l)是坐标为(k,l)(k,l)(k,l)上的像素值。那么点(k,l)(k,l)(k,l)的周围的平均灰度值Ai‾\overline{A_i}Ai的计算公式如下：Ai‾=A‾(k,l)=1W−1[∑m=−dd∑n=−ddf(k+m,l+n)],(m,n)≠(0,0)...
2019-08-25 15:02:37
5410
原创 纹理特征三：GLSZM--灰度区域大小矩阵
GLSZM–灰度区域大小矩阵1. GLSZM 的解释与计算GLSZM，全称gray-level size zone matrix，中文名称弧度区域大小矩阵。概念描述： GLSZM与GLRLM（gray-level run-length matrix）类似，GLRLM是在一维方向上记录连续jjj个像素值iii连续相邻的情况的出现的次数，GLSZM是在二维区域内记录图像区域内有jjj个iii元素...
2019-08-23 22:29:14
7984
原创 纹理特征二：GLRLM--灰度行程矩阵
GLRLM–灰度行程矩阵1. GLCM 的解释与计算GLRLM，全程 gray-level run-length matrix，这里翻译为 灰度形成矩阵。概念描述： 灰度共生矩阵用于描述图像某一像素值iii沿某一方向θ\thetaθ连续相邻为jjj的个数，记GLRLM中一个值为D(i,j,θ)D(i,j,\theta)D(i,j,θ)，其中iii是像素值或灰度值，jjj是连续相邻数，θ\th...
2019-08-23 21:42:14
6864
1
原创 纹理特征一：GLCM---灰度共生矩阵
GLCM 灰度共生矩阵GLCM（Gray-level co-occurence matrix，灰度共生矩阵）是20世纪70年代初由R.Haralick等人提出的。该方法基于的假设是：图像纹理的变化和色素的空间分布有关。设图上一点(x,y)(x,y)(x,y)与一个距离固定的点(x+d,y+l)(x+d,y+l)(x+d,y+l)，两点的灰度值分别（g1, g2)，之后移动(x,y)(x,y)...
2019-08-22 20:10:09
3763
原创 论文阅读：图神经网络 之 语义目标解析
Semantic Object Parsing with Graph LSTM图神经网络Grap Neural Network（GNN）在很多领域日益普及，包括社交网络、知识图谱、推荐系统甚至于声明科学。GNN借鉴了CNN的思想。CNN通过卷积核共享权重参数、实现局部信息连接、并层层传递的方式将底层低级信息，转化为高级语义信息。CNN处理欧式空间数据具有优势，而图结构的数据不是欧式空间，但是...
2019-08-16 20:11:25
962
原创 宽度 & 深度学习 特点对比
宽度 & 深度学习 特点对比推荐系统模型介绍实验过程与实验结果实验总结 为了提高神经网络的性能，是应该增加宽度呢？还是应该增加深度呢？增加宽度和增加深度各有什么样的效果呢？本文对论文《Wide & Deep Learning for Recommender Systems Heng-Tze》中关于宽度模型和深度模型的对比实验进行介绍。推荐系统 本论文基于推荐系统，推荐系...
2019-07-24 13:07:58
4634
原创 多示例学习的应用
多示例学习的应用 Multiple Instance Learning因为现在讲的监督学习是学习一个一对一的映射关系，即 f:x−>yf:x->yf:x−>y， 所以需要很大的人力对每一张用来训练的图片进行标注，费时费力费币。多示例学习则提供了一种优雅的方法，它通过将一组图片进行打包标记，然后让模型学习一种多对一的映射 f:{x∣x1,x2,…,xn}−&a...
2019-07-18 20:23:36
557
原创 Pytorch学习笔记1
torchtorch.Tensor：Tensor变量的定义与计算- - - Tensor变量的定义Tensor变量是pytorch模型中用于输入输出以及更新的变量。在将数据送入网络模型前，我们需要将不是Tensor的变量转换成Tensor变量。torch.transforms: 对输入的数据进行变换注：计算机视觉中我们处理的大部分数据是图片类的，而在pytorch中，我们处理的数据需要是...
2018-12-10 17:06:53
156
原创 深度学习中常用的标注文件
深度学习中常用的标注文件图像标注常见的文件格式matmat文件是matlab专用的文件，第一次见是再COCOstuff-10k数据集中。遇到的问题：如果用sublime打开的话，会显示16进制格式，可以猜想matlab是打开该文件的重要工具。但是如果使用python读取并打印显示的话，可以正常显示字符串模式。解决办法：通过python读取mat文件内容写入txt或者json文件。代码...
2018-11-29 23:22:29
3126
原创 ROS indigo +Cartographer_ROS 安装教程
Cartographer是一个在2D和3D跨越多个平台和传感器配置提供实时同时定位和绘图（SLAM）的系统。此教程根据官方文档以及个人安装经验总结而来，根据该教程进行Cartographer的安装需要但不必须参考笔者的系统配置。个人电脑配置：Ubuntu 14.04 LTS 8 GB RAM 64-bit，i5-6500 CPU一、ROS indigo 安装说明：目前Carto...
2018-08-24 16:35:28
771
原创 PCL 几种滤波方法
本文主要介绍五中点云滤波方法：直通滤波器、体素滤波器、统计滤波器、条件滤波器、半径滤波器。噪声点与离群点。在获取点云数据时，由于设备精度、操作者经验、环境因素等带来的影响，以及电磁波衍射特性、被测物体表面性质变化和数据拼接配准操作过程的影响，点云数据中将不可避免地出现一些噪声点，属于随机误差。除此之外，由于受到外界干扰如视线遮挡，障碍物等因素的影响，点云数据中往往存在着一些距离主题点云较远的离...
2018-07-19 10:51:09
19932
4
原创 No CMAKE_C_COMPILER could be found 几种原因及解决办法
在使用CMake-gui将cmake文件生成visual studio 项目文件时，出现了以下错误：No CMAKE_C_COMPILER could be found原因是CMake没有找到对应的编译器。网上查到的部分原因加上我自己遇到的问题有：1.Visual Studio 的安装路径里含有中文路径。因为CMake无法识别中文路径，解决该问题就是重新安装Visual Studio，注意安装在非...
2018-07-12 12:32:42
65486
9
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人