a-娇-CSDN博客

原创对图像的单个像素操作

自己总是忘记，做个笔记static const Vec3b bcolors[] ={ Vec3b(0,0,255), Vec3b(0,128,255), Vec3b(0,255,255), Vec3b(0,255,0), Vec3b(255,128,0), Vec3b(255,255,0), Vec3b(255,0,0)

2014-07-17 14:43:22 1042

原创检测乳腺癌细胞中的有丝分裂（4）

文章题目是《Learning-based mitotic cell detection in histopathological images》原理：分为个步骤，第一，分割出候选有丝分裂细胞；第二，利用纹理等特征检测出有丝分裂细胞。这篇文章读起来挺简单的，都是我们所熟悉的，本文使用了两个开源工具，”ilastik”和”CellCognition” 。1、分割出候选有丝分裂细胞一个基

2014-07-06 21:34:12 1451

原创检测乳腺癌细胞中的有丝分裂（3）

今天看的文章题目是《A Gamma-Gaussian Mixture Model for Detection of Mitotic Cells in Breast Cancer Histopathology Images》原理：先分割出肿瘤区域，然后在肿瘤区域使用Gamma-Gaussian混合模型检测有丝分裂细胞，最后使用svm分类器减少检测错误。步骤：1、因为有丝分裂大多是发生在肿

2014-07-06 15:25:25 1711

原创检测乳腺癌细胞中的有丝分裂（2）

Mitosis Detection in Breast Cancer Histology Imageswith Deep Neural Networks

2014-07-03 15:22:40 2619

原创检测乳腺癌细胞中的有丝分裂（1）

ICPR和MICCAI最近几年挺关注乳腺癌细胞中的有丝分裂的检测，我也来研究研究，虽然不知道最后自己能搞成什么样。今天看了这篇文章《Automated Mitosis Detection based on eXclusive Independent Component Analysis》，发表在Pattern Recognition (ICPR), 2012 21st Internatio

2014-07-02 17:32:13 2698

原创医学图割方法

写这篇文章，主要是为了给自己来个总结，也方便以后自己回顾，顺便和大家一起学习。随着医院图像的数量大量增加，用电脑进行图像的处理和分析成了一种必要，图像分割领域的方法也很多，各有优异，今天来说说医学图像分割常用的各种方法吧。我们将分割的方法分为8类：（1）阈值分割（2）区域增长（3）分类器（4）聚类方法（5）马尔科夫随机场模型（6）人工神经网络

2014-06-25 14:37:18 2105

原创怎样处理MSER出现的嵌套区域

最近在用MSER来检测细胞区域，遇到了一个问题，就是怎样处理那些嵌套的区域（如图）：因为学识疏浅，没想到什么又快又好的办法处理，最后在网上看到了这么一段代码，发现是如此的简单for(int i = 0; i Rect r = foundRect[i]; int j = 0; for(; j //如果时嵌

2014-03-18 21:50:07 1158

原创 SLIC segmentation algorithm

1、我们用一个5维的向量[l,a,b,x,y]来表示每一个像素，[l,a,b]为像素颜色向量，[x,y]为像素位置，然后我们根据像素的颜色相似度及距离来产生超像素。上图step1中，以网格间隔为s（s=sqrt(N/K)）初始化了K个簇中心；2、在n*n的区域里，计算出最小梯度位置，将簇中心移至到这个位置；梯度计算： I(x,y)是（x,y）位置

2014-02-26 16:10:39 2675

原创 hierarchical segmentation

一、目的：由于边界检测器检测出来的边界大多时候都不是封闭的，因此，我们要在确保边界质量的基础上修复边界。二、大概思想：在之前边界检测器检测出的轮廓基础上，使用层次分割。首先使用一种新的分水岭变换——OWT，产生一系列初始的小区域，然后我们利用这些小区域的边界建立一个超度量等值线图（UCM），OWT-UCM可以看做是将轮廓换成轮廓层次树的一种方法。整个过程如下图：第1幅图：原图；

2014-02-26 11:23:03 4633 8

原创 HOG+SVM

最近在做图像识别方面的东西，先写个总结。主要分为四个过程：1、获取样本2、提取HOG特征3、训练SVM分类器4、图像识别下面来详细说说各个过程：1、获取样本刚开始自己以后样本需要什么特定的格式，后来发现是我考虑的太多了，其实什么格式都行，只要包含我们所需要的信息，方便我们读取。先建一个txt文档，里面包含所有样本图片的图片名、起点坐标、大小、类别。格式如：1.jpg

2014-01-22 10:00:05 1185 2

原创尿沉淀显微图像中细胞识别

主要是分为三大部分：1、分割出细胞，把轮廓细胞的定位；2、有效特征的提取；3、训练出合适的分类器。0、预处理图像加强：f(x,y)=L(x,y)+G(x,y)*H(x,y)L(x,y)为源图像的低频部分，G(x,y)为图像增强的增益，H(x,y)为源图像的高频成分。一、细胞分割方法1：a、先进行图像平滑滤波、锐化滤波、RGB空间转换至HSI；b、基于HSI颜色空间，彩色

2014-01-07 21:47:36 1843 2

原创 Tongue shape classification by geometric features总结

这篇文章的主要讲的是给舌头形状分类，首先采用自动轮廓提取和3个几何准则（length,area,angle）对舌头进行校正,然后利用7个基于length、area、angle信息的子特征进行舌头形状分类。大体来说，舌头形状可分为7种：椭圆形、方形、长方形、圆形、钝三角形、锐三角形及锥形。具体分类过程如下：一、形状校正（1）the length criterion

2013-12-24 17:15:42 1092

原创 Multimodal semi-supervised learning for image classification总结

实际应用中，我们的训练数据中只有少数的图像有分类标签，大部分是没有分类标签的，所以我们要利用其它已有的信息来进行分类，本文就是针对解决这样的问题而提出的方法。文章中提出的方法主要有两个步骤： 1、采用已经有标签（确定分类）的图像训练分类器，利用已有的图像内容和关键字。采用多核训练，结合两种核，第一种核是基于图像内容，第二个核是基于关键字。这个MKL分类器是用来预测训练数据中没有标签但是有关

2013-12-23 10:41:53 1783 1

原创 gabor filter

Gabor变换属于加窗傅立叶变换，Gabor函数可以在频域不同尺度、不同方向上提取相关的特征。其实Gabor变换是短时Fourier变换中当窗函数取为高斯函数时的一种特殊情况. 我们知道通过卷积可以进行傅立叶变换，同样通过卷积可以进行Gabor变换。二维的Gabor函数定义为：

2013-12-22 15:56:20 1221

在SIFT描述子的基础之上提出了一种称为GLOH(gradient location and orientation histogram)的描述子。为了增强其鲁棒性和独立性。以对数极坐标在半径方向建立三个带（6，11，15）和8个角度方向,该描述子（可参看下图）将检测到的兴趣区域按照径向和角度划分为17个子区域，然后每一个区域按照SIFT描述子的方法计算灰度梯度直方图，其中梯度角度划分为16个bi

2013-12-22 15:13:14 4264

转载 LBP特征

目标检测的图像特征提取之（二）LBP特征zouxy09@qq.comhttp://blog.csdn.net/zouxy09 LBP（Local Binary Pattern，局部二值模式）是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。它是首先由T. Ojala, M.Pietikäinen, 和D. Har

2013-12-20 15:04:51 694

转载 HOG特征

目标检测的图像特征提取之（一）HOG特征zouxy09@qq.comhttp://blog.csdn.net/zouxy09 1、HOG特征：方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构

2013-12-20 14:58:17 941

原创 sift描述子

参考了别人的文章，自己在笔记本上写的笔记，拍个照片共享此方法来自文章：http://link.springer.com/article/10.1023/B:VISI.0000029664.99615.94

2013-12-20 13:47:58 735

原创 GrabCut总结

用户只需要用一个矩形框将对象框起来，算法会自动将对象抽取出来步骤: 1、将方框里面的像素标记为（全部标记为前景），将方框外的像素标记为（标记为背景）； 2、为中每个像素分配高斯混合模型分量（每个高斯混合模型有k个高斯分量），可采用k-meas算法； 3、（第二步为每个高斯模型添加了新元素）训练高斯模型，得到优化的参数； 4、建图； 5、s/t分

2013-12-14 17:07:46 4342 1

原创 LazySnapping

这个算法是交互式图像分割算法的改进，方法原理和上一篇写的很像，也需要用户标记出一些背景和前景的像素点种子，最大的改进之处在于它建图是的顶点不再是基于像素，而是基于一个个小的区域，我们可以采用分水岭算法和k-meas算法等方法先对图像进行预处理，将图像分割成很多的小区域，然后以这些小区域为顶点，相邻区域建立边，构建一个图，再采用s/t算法进行分割。这篇论文提出的方法主要分为两步：1、对象标记；2、边

2013-12-13 16:29:54 3775

原创交互式图像分割

最近看了Yuri Y.Bpoykov的>这篇文章，还是来写个总结吧。简而言之，就是通过用户来对图像的背景和目标作一些标记，利用这些已有的标签（“object”或"background"）来给未知标签的像素分配其概率最大的标签，意思就是对于未知标签的像素，它若与已标记“object”的像素点的相似度大于与标记为“background”的像素点的相似度，则它就可以获得“object”标签，反之

2013-12-13 11:01:34 4107

a-娇的专栏