《结合卷积神经网络和超像素聚类的细胞图像分割方法》
2017-10-18 19:50
393 查看
文章来源:http://kns.cnki.net/KCMS/detail/51.1196.TP.20170614.1318.098.html?uid=WEEvREcwSlJHSldRa1FhcEE0NXh1akkwNGNjMXVvQU9sekpLYXRrTkpzbz0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4ggI8Fm4gTkoUKaID8j8gFw!!&v=MTk2NTA3U1pMRzRIOWJNcVk1QlpPcDdZdzlNem1SbjZqNTdUM2ZscVdNMENMTDdSN3FlWU9kdkZ5emxVTHJJSlZZPUx6
1. 摘要
针对细胞图像尺寸大、细胞形状各异,导致从图像中分割出精准的细胞十分困难的问题,以卷积神经网络为基础,结合染色校正方法和简单线性迭代的超像素聚类算法,提出了一种新的结构来进行细胞图像分割。首先,利用染色校正方法对细胞图像进行预处理,提高图像的颜色对比度;然后利用卷积神经网络获得初步分割结果;最后再将简单线性迭代聚类获得的超像素边界信息反馈到初分割图像上进行改进提升。提出的算法可以有效地减少图像局部信息的冗余,更准确地获得目标区域的边界位置。实验表明,本文提出的算法细胞分割准确率达到了 92.72%,与经典卷积神经网络、阈值分割等其他细胞分割算法相比,具有更好的分割效果。2. 文章中值得学习的地方
2.1 图像预处理的方法
基于机理模型的染色校正方法。2.2 如何对图像中的像素点分类
本篇文章解决了我一个问题,即如何通过神经网络的方法解决图像的分类问题。论文中以待分类的像素点为中心,取周围固定大小的邻域,并将像素点的标签值作为这部分邻域的标签值,然后通过卷积神经网络进行训练2.3 对比试验充分
既有定性分析(即分割后的图片展示),又有定量分析(计算Recall和F1值等等)相关文章推荐
- 基于谱聚类的图像分割方法简介
- matlab粒子群算法结合模糊聚类分割算法实现图像的分割
- 访问图像内像素的两种常用方法
- c#图像处理入门(-bitmap类和图像像素值获取方法)
- 第九章 – 图像局部与分割 – 背景场景和分割前景目标的方法(平均背景法)(例程待实现)
- c#图像处理入门(-bitmap类和图像像素值获取方法)
- 基于聚类的“图像分割”
- OpenCV访问图像像素, 数组元素等方法收集
- 获取图像像素方法汇总
- c#图像处理入门(-bitmap类和图像像素值获取方法)
- 图像分类、检测,语义分割等方法梳理
- 各种图像分割方法
- JAVA实现图像缩放(通过 java.awt.geom的仿射变换结合java.awt.image的各种插值方法实现)
- 基于图像原始像素信息的简单CT/MRI医学图像配准方法
- 中层视觉:基于聚类的分割方法
- 基于CNN的医学图像分割方法
- 图像分割方法deeplab以及Hole算法解析
- 【HEVC学习与研究】17、HEVC中的图像的分块分割方法
- 镜头分割:像素域方法综述
- 全卷积网络:从图像级理解到像素级理解-FCN图像分割边缘检测