图像分类
文章平均质量分 64
a-娇
这个作者很懒,什么都没留下…
展开
-
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原创 2013-12-23 10:41:53 · 1800 阅读 · 1 评论 -
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原创 2014-07-06 15:25:25 · 1736 阅读 · 0 评论 -
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原创 2014-07-06 21:34:12 · 1465 阅读 · 0 评论 -
检测乳腺癌细胞中的有丝分裂(2)
Mitosis Detection in Breast Cancer Histology Imageswith Deep Neural Networks原创 2014-07-03 15:22:40 · 2638 阅读 · 0 评论 -
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原创 2014-07-02 17:32:13 · 2722 阅读 · 0 评论 -
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)原创 2014-07-17 14:43:22 · 1056 阅读 · 0 评论 -
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原创 2014-01-22 10:00:05 · 1196 阅读 · 2 评论 -
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原创 2013-12-24 17:15:42 · 1117 阅读 · 0 评论 -
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,彩色原创 2014-01-07 21:47:36 · 1861 阅读 · 2 评论