硕士研究生读研经验总结篇--以配准研究为例

前言

受疫情影响,一切人群聚集的活动都被取消或推迟了。我们的毕业典礼原应该像以往一样,让人兴奋、迷惘、庄严而又不舍,但这次却悄无声息。这突如其来的疫情,一直顽强蔓延至今,近期仍有大面积反弹风险。受此影响,我的母校始终未让毕业生一起返校,也没有举行毕业典礼,没有任何形式的活动。我们只能草草收拾东西,退宿,踏入工作岗位,甚至不能和班上的同学好好道个别,更别提合拍毕业证了。我对此一直很遗憾,总想以某种形式总结下研究生阶段的经历,纪念一下。在科研方面,我一直想总结一下,本着知识分享的精神,给大家分享一下我的研究生期间的科研经历与经验,发挥我的余热(因为我跨行做了别的),希望对大家有所帮助,也是给自己的一个交代。今天是端午节,先祝大家端午安康,我今天终于得空,好好总结反思一下了,以下就是正文。

这次我要分享的是研究生如何做科研--从入门到放弃。我将要分享的经验全部来自于我的个人实践,从我做基于深度学习的医学图像配准项目中总结得到的,包括从入门的选题定题、文献调研、查找资料、编程调试、论文撰写等各个方面。我分享的目的呢,首先是总结一下我的研究生经历学到的东西,消化沉淀成为自己的;再者就是希望能帮助到后来者更快的入门,少走些弯路,多为国家科研大业做贡献吧。以下我将按照科研的流程进展,从各个部分展开我的总结分享。

目录

正文

1,定题,背景调查,文献调研

2,确定方案,准备材料

3,寻找开源项目

4,创新

5,编程实现,调试

6,写论文

总结

开源计划


正文

1,定题,背景调查,文献调研

开始科研的第一步就是选题定题,这个步骤实际上在读研开始前选导师的过程中,已经大体上划定了范围,或者导师已经想好了你读研要做的课题方向。更灵活一点的,就是导师临时安排你做新的项目,但大体上都与你的导师的研究方向或者承担的课题项目有关。一般情况下,导师让你自由定题的可能性不太大,但不排除这种可能。我的情况是保研的时候确定方向是做基于深度学习的医学图像处理,研一下学期才确定是做配准,而在此之前我对配准了解的不多也不深,虽然本科毕设也是配准。

我刚开始着手做配准的时候,基础很差,一脸懵逼,无从下手。遇到这种情况呢,给大家推荐一个我导师教我的方法,叫文献调研。顾名思义,就是调研一下课题相关的文献,写一篇文献综述。在调研的过程中,解决几个问题:你的课题具体是什么,需要做哪些工作,以前的方法有哪些,最新的科研进展是啥,未来的发展方向是啥,具有什么样的意义,等等。在这个过程中,你可能需要调研很多文献,至少20篇,包括比较早的经典论文,和最新的前沿研究论文,这样才可以对该领域有个大致的了解,对以上的几个问题有个初步的答案。

还以我自身的经历为例,我刚开始接触课题的时候,导师安排我调研一下配准最新的文献,写一篇综述给他,也就是我在博客中发的这一篇文章。我当时下载了三十篇左右论文,有很老的,也有最新发表的,有综述类的,还有研究类的。总之就是跟课题相关的都会看一下,有

  • 38
    点赞
  • 88
    收藏
    觉得还不错? 一键收藏
  • 11
    评论
以下是使用 Shi-Tomasi 算法进行图像配准的 Python 代码示例: ```python import cv2 # 读入需要配准的两张图像 img1 = cv2.imread('image1.jpg') img2 = cv2.imread('image2.jpg') # 将图像转换为灰度图像 gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY) # 使用 Shi-Tomasi 算法寻找关键点并计算特征描述子 sift = cv2.xfeatures2d.SIFT_create() kp1, des1 = sift.detectAndCompute(gray1, None) kp2, des2 = sift.detectAndCompute(gray2, None) # 使用 FLANN 匹配器进行特征匹配 FLANN_INDEX_KDTREE = 0 index_params = dict(algorithm=FLANN_INDEX_KDTREE, trees=5) search_params = dict(checks=50) flann = cv2.FlannBasedMatcher(index_params, search_params) matches = flann.knnMatch(des1, des2, k=2) # 选择好的匹配点 good = [] for m, n in matches: if m.distance < 0.7 * n.distance: good.append(m) # 获取匹配点对应的坐标 src_pts = np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1, 1, 2) dst_pts = np.float32([kp2[m.trainIdx].pt for m in good]).reshape(-1, 1, 2) # 使用 RANSAC 算法进行配准 M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0) # 对第一张图像进行变换并输出结果 result = cv2.warpPerspective(img1, M, (img1.shape[1], img1.shape[0])) cv2.imshow('result', result) cv2.waitKey(0) cv2.destroyAllWindows() ``` 这段代码将使用 Shi-Tomasi 算法找到两个图像的关键点,并使用 FLANN 匹配器进行特征匹配。然后使用 RANSAC 算法进行配准,最后对第一张图像进行变换并输出结果。
评论 11
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