Распознавание изображения опухолевых клеток
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
Оглавление
Глава Введение в распознавание изображений опухолевых клеток
1.1. Предпосылки распознавания изображений опухолевых клеток
1.2 Статус исследований в области распознавания изображений опухолевых клеток
1.2.1 Текущее состояние зарубежных исследований
1.2.2 Статус отечественных исследований
1.3 Изображения и характеристики опухолевых клеток
1.3.1 Исходные изображения опухолевых клеток
1.3.2 Характеристики изображений опухолевых клеток
1.3.3 Изображения опухолевых клеток в оттенках серого
Глава 2 Распространенные методы предварительной обработки изображений
2.1 Предварительная обработка изображений
2.2 Изображение в оттенках серого
2.2.1 Преобразование изображений в оттенки серого
2.2.2 Коррекция изображения в оттенках серого
2.3 Улучшение изображения
2.3.1 Метод улучшения изображения в частотной области
2.3.2 Преобразование изображения в оттенках серого
2.3.3 Обработка гистограммы
2.3.4 Пространственное сглаживание изображений
2.3.5 Повышение резкости изображения
Глава 3. Распространенные методы извлечения признаков изображения
3.1 Обзор функций изображений и распространенных методов извлечения
3.1.1 Обзор функций изображения
3.1.2 Общие черты изображений
3.1.3 Распространенные методы извлечения признаков изображения
3.2 Метод главных компонент
3.2.1 Обзор PCA
3.2.2 Расчет и выбор общих главных компонентов
3.2.3 Основной процесс метода PCA
3.3 Многообразный метод обучения
3.3.1 Обзор многообразного обучения
3.3.2 Репрезентативные методы многообразного обучения
3.3.3 Принцип алгоритма LLE
3.4 Метод разреженного кодирования
3.4.1 Обзор разреженного кодирования
3.4.2 Разреженность естественных изображений и разреженная модель кодирования
3.4.3 Статистические принципы модели разреженного кодирования
3.4.4 Принцип метода разреженного кодирования
3.5 Метод сжатого измерения
3.5.1 Обзор сжатого измерения
3.5.2 Процесс дискретизации сигнала
3.5.3 Математическая модель КС
3.5.4 Принцип алгоритма выделения признаков на основе CS
Глава 4. Распространенные методы распознавания изображений
4.1. Метод классификации и идентификации на основе линейного дискриминантного анализа.
4.1.1 Обзор LDA
4.1.2 Принцип метода LDA
4.1.3 Ограничения и решения метода LDA
4.2. Метод классификации и идентификации на основе машины опорных векторов.
4.2.1 Обзор SVM
4.2.2 Принцип метода SVM
4.2.3 Функция ядра SVM и метод мультиклассификации
4.3 Метод классификации и идентификации на основе дерева решений
4.3.1 Обзор метода классификации дерева решений
4.3.2 Этапы классификации дерева решений
4.3.3 C4.5 Алгоритм дерева решений
4.4 Метод классификации и идентификации, основанный на байесовском методе
4.4.1 Обзор байесовской классификации
4.4.2 Наивный метод классификации Байеса
4.5. Метод классификации и идентификации на основе нейронной сети.
4.5.1 Обзор нейронных сетей
4.5.2 Принцип классификации нейронных сетей
4.5.3 Метод классификации SOFM
Глава 5. Распространенные методы идентификации изображений опухолевых клеток
5.1 Распознавание изображений опухолевых клеток на основе улучшенного PCA LDA
5.1.1 Процесс и реализация традиционного преобразования PCA LDA
5.1.2. Возникновение и решение задач обобщения.
5.1.3 Алгоритм распознавания на основе улучшенного PCA LDA
5.1.4 Эксперименты и выводы
5.2 Распознавание изображений опухолевых клеток на основе двунаправленной SVM 2DPCA
5.2.1 Метод 2DPCA
5.2.2 Принцип двунаправленного алгоритма извлечения признаков 2DPCA
5.2.3 Алгоритм распознавания на основе 2DPCA SVM
5.2.4 Эксперименты и выводы
5.3 Распознавание изображений опухолевых клеток на основе LLE LS SVM
5.3.1 Принципы алгоритмов LLE и LS SVM
5.3.2 Алгоритм распознавания на основе LLE LS SVM
5.3.3 Эксперименты и выводы
5.4 Распознавание изображений опухолевых клеток на основе SAM-CS SOFM
5.4.1 Алгоритм сжатого измерения адаптивной матрицы наблюдения
5.4.2 Алгоритм распознавания на основе ЗРК СОФМ
5.4.3 Эксперименты и выводы
Глава 6 Распознавание изображений опухолевых клеток RRC на основе изучения словаря
6.1 Принцип классификации разреженных представлений
6.2 Проблемы, которые необходимо учитывать при использовании моделей разреженного представления для распознавания изображений
6.3 FDDL и регуляризованная робастная модель разреженного представления
6.3.1 ФДДЛ
6.3.2 Модель RRC
6.4 Распознавание изображений опухолевых клеток RRC на основе изучения словаря
6.4.1 Разработка алгоритма
6.4.2 Реализация алгоритма
6.5 Эксперименты и выводы
6.5.1 Выбор коэффициента шкалы серого
6.5.2 Определение значения параметра t
6.5.3 Сравнение двух моделей классификации
6.5.4 Сравнение различных методов классификации разреженных представлений
6.5.5 Сравнение различных методов идентификации
6.5.6 Заключение
Введение
В разделе «Распознавание изображений опухолевых клеток» в основном обсуждается распознавание изображений опухолевых клеток и представлены богатые результаты исследований автора по распознаванию изображений опухолевых клеток за многие годы. Распознавание изображений опухолевых клеток — одна из основных технологий интеллектуальной медицинской визуализации. В разделе «Распознавание изображений опухолевых клеток» в основном обсуждается распознавание изображений опухолевых клеток, систематически обсуждаются текущие популярные теории, связанные с распознаванием изображений, и содержится подробное введение в различные популярные теории распознавания образов. «Распознавание изображений опухолевых клеток» разделено на 9 глав.Основное содержание включает: введение в распознавание изображений опухолевых клеток, общие методы предварительной обработки изображений, общие методы извлечения признаков изображения, общие методы распознавания изображений, широко используемые методы классификации и распознавания изображений опухолевых клеток и их оптимизацию.В нем также основное внимание уделяется архитектуре и алгоритмам трех типов моделей распознавания изображений опухолевых клеток, изученных командой авторов в последние годы. Он также знакомит с конкретным экспериментальным процессом и экспериментальными выводами, а затем знакомит с программным обеспечением для практической диагностики опухолей и патологического анализа, что делает полезным исследование и практику технологий интеллектуальной диагностики опухолей.«Распознавание изображений опухолевых клеток» можно использовать как справочник для профессиональных исследователей и как практический учебный материал для новичков в распознавании образов.
