精华内容
下载资源
问答
  • matlab开发-医学影像学

    2019-08-27 18:40:30
    matlab开发-医学影像学。一种将DICOM医学图像转换成NRRD医学图像的功能
  • 迁移学习在医学影像学中的应用

    千次阅读 2018-04-12 16:07:21
    (最近在找迁移学习在医学影像学中的应用,总结的一些文章,以便日后阅读,持续更新。。。)基于核匹配追踪的医学影像学辅助诊断—姚瑶—20091. 该文章充分利用源域中具有和目标域同分布的有标签样本,将之迁移至...

    (最近在找迁移学习在医学影像学中的应用,总结的一些文章,以便日后阅读,持续更新。。。)

    基于核匹配追踪的医学影像学辅助诊断姚瑶—2009

    1.        该文章充分利用源域中具有和目标域同分布的有标签样本,将之迁移至目标域训练样本集中。这些具有标签的样本数量充足,在目标域无标签样本的测试分类中起到了关键的作用。这些样本中大部分样本与目标样本具有不同分布,如何在这些样本中寻找到和源样本同分布并将之迁移到目标样本中是我们需要解决的问题。基于迁移核匹配追踪的医学影像辅助诊断算法,首先采用核匹配追踪思想中贪婪逼近残余方法,在源域中目标训练样本将源域中同分布的样本寻找出来。如果训练样本和目标标签样本相匹配。则将其加入到训练目标域中。反之则不选择该样本。基于核匹配追踪的迁移学习算法采用贪婪逼近残余( GAR )将匹配样本选出加入到目标域中。

    2.        乳腺X影像实验----识别乳腺癌

    a)        样本集:将图像数据分为训练集和测试集两部分,其中训练集由 900 个样本组成,其中 300 个病例样本和600 个正常样本,测试集由 150 个样本组成,其中50 个病例样本和 100 个正常样本数据组成。针对基于核匹配追踪的迁移学习识别方法(TLKMP )设定测试集 150 个样本作为目标域中无标签样本,训练集合中前250个正样本和前 500 个负样本作为源域有标签样本,而后50 个正样本和后 100 个负样本作为目标域有标签样本。

    b)        结论:在不同训练和测试样本之比下,TLKMP 法在具有相同测试样本数目前提下训练样本经过迁移后测试总样数减少,然而识别率却有明显提高,这说明采用基于核匹配追踪迁移学习方法,使得医学影像的识别率有所提高,增强了影像处理方法的泛化能力。

    3.        CT胃癌淋巴结影响实验----预测胃癌淋巴结转移癌预后

    a)        数据集:某肿瘤医院实测 CT 胃癌淋巴结影像数据库。从数据库中得到非平衡数据:共98个样本用于实验。31个手术切除淋巴结无转移样本,67个手术切除淋巴结有转移样本。其中手术切除淋巴结作为弱势样本,手术切除淋巴结作为强势样本。训练样本83个样本,其中无迁移样本26个,有转移样本57个;测试样本共15个样本,其中无转移样本5个,有转移样本10个。训练/测试比例为83:15。

    b)        结论:基于迁移学习的匹配追踪方法在训练集与测试识别率高,同时需要的训练样本数目少。该方法明显提高了诊断识别率。

     

    基于迁移学习的2-D MRI胰腺分割吴蛟龙—2014

    1.        本文目的在于快速识别胰腺MRI图像,确定界限以帮助解决手术中肿瘤切除不彻底和术后并发症等问题。

    2.        提出了一种基于字典迁移学习的腹部MRI序列图像分割方法,通过对目标区域和背景区域分别进行训练学习,得到目标和背景字典,分别对后续待处理的图像进行重构误差逼近,得到相应的目标区域,同时,对字典进行更新,实现了更加鲁棒的胰腺分割。

     

    基于迁移学习的多模态脑图像分析及其应用研究程波---2015

    1.        本文提出的多模态领域迁移学习方法用于识别MCI转化为AD病人的性能。

    2.        本文借助多任务学习与领域迁移学习,建立了领域迁移学习特征选择(DTFS}、多模态领域迁移学习样本选择(DTSS}、多模态领域迁移学习支持向量机(DTSVM}。采用相关学习领域做为辅助领域知识,在多模态特征MRI, FDG-PET, CSF的ADNI数据集上测试该算法用于分类MCI病人的性能。实验结果表明,所提出的DTFS特征选择算法能选出有效的特征子集,DTS S能移除不相关的、带噪声的样本,DTSVM能完成较好的分类性能。

    3.        数据集:来源于ADNI数据集的MRI图像数据,PET图像数据等。

     

    基于迁移学习的计算机辅助肺结节检测研究---林永锋--2013

    1.        木文的研究重点是迁移学习在肺结节辅助检测中的应用。分别用了基于不同的分类器(SVM,  KNN)的TrAdaBoost 算法(TrAdaBoost(SVM),  TrAdaBoost(KNN))、基于SVM, KNN的AdaBoost算法(AdaBoost(SVM), AdaBoost(KNN))在构建肺部 CT图像特征空间上进行实验。通过实验可以发现,迁移学习可以在肺部数据中使用,同时可以提高肺结辅助检测的分类准确率。具体内容如下:

     (1)针一对肺部CT图像多样性、复杂性等特征,结合SVM在有限训练样本产生的分类器训练误差小、高维特征空间中效率高的特点以及KNN执行效率高并且在肺结节检测性能较优的特点。提出了基于AdaBoost的肺结节检测算法,利用SVM,KNN作为基本分类器,通过实验调整分类算法中的参数,较好解决了单一分类算法检测性能低、鲁棒性不高等问题。

     (2)针对传统分类算法在肺结节检测中整体识别率低、无法利用数据分布不同的肺部辅助训练集等问题,提出了基于迁移AdaBoost的肺结节检测算法。分别选择SVM,KNN分类器作为TrAdaBoost的基本学习算法,实现了辅助训练集中的样本迁移,提高了目标数据分类模型的检测性能,分类准确率提高了1 %-6% o

     (3)利用上述研究成果,设计并完成了基于迁移学习的计算机辅助肺结节检测系统。

    2.        基于实例的迁移学习、基于特征的迁移学习

     

    基于迁移学习的胃部CT序列图像ROI区域提取王云利—2013

    1.        为了减少序列图像分割的交互次数,提出了一种基于种子点迁移生长的胃部cT序列图像分割方法。对于同一个人的cT序列,只需在第一幅图的目标内人工选择若干种子点便可实现整个序列的目标提取;根据已知的种子点和阈值,通过对原图进行二值化来完成全局范围内相似点的搜索,提高了分割的速度;迁移前一幅分割结果的中心及其N邻域点到相邻的下一幅图中作为种子点,相比传统的区域生长方法,克服了欠分割的现象。

    2.        基于序列图像中目标区域的相似性,提出了一种基于轮廓迁移演化的胃部CT序列图像的分割方法。针对胃部CT图像中目标边缘较弱,现有的主动轮廓模型进行序列分割时常会出现“边缘泄露”问题,本方法将区域模型和边缘模型进行了结合,同时将前一幅图像的目标轮廓进行区域生长后迁移到下一幅图中作为其初始轮廓,减少迭代次数使分割速度加快,同时提高了分割的准确性。

     

    基于字典迁移学习的胃部CT序列图像联合分割马丽敏----2013

    1.        提出基于字典迁移的联合分割方法,将字典学习和迁移学习两种思想结合在一起,在字典学习的基础上通过迁移CT图像序列中目标区域变化大的部分来更新字典,增强了字典的描述能力和完备性,从而避免了图像序列间的变化差异带来的分割不准确的问题。


    Identifying Medical Diagnoses and Treatable iseasesby Image-Based Deep Learning--Kang Zhang—2018

    1.        目标:利用迁移学习识别视网膜(OCT)图像中的类别,同时也用迁移学习测试了胸部X光片的肺炎识别。

    2.        该论文首次使用如此庞大的标注好的高质量数据进行迁移学习,来建立人工智能系统。

    基于光学相干断层成像(OCT)数据有效进行图像黄斑变性和糖尿病视网膜黄斑水肿的识别和严重性定量评估;准确区分患儿胸部X光片上的细菌和病毒性肺炎(差异性分析和准确判断)



    展开全文
  • 这是一个能够将遥感影像在matlab平台上经过阈值分割、数学形态初步操作将影像实现分类的程序。
  • 基于形态的遥感影像分类后处理,巩现勇,,本文提出了基于形态的遥感影像分类后优化处理方法,陈述了数学形态的基本概念和算法,通过VC++编程实现,应用形态变换达到�
  • 影像医学分类

    2019-09-09 21:15:44
    一、影像设备概述 1.1 设备分类 分类 产 品 原理 特点 影像医学 X光机 X射线穿透成像 形态全貌、像素精细; CT 数据测量重建 密度分辨率高,适应范围广; B超 超声波 ...

    一、影像设备概述

    1.1 设备分类

          分类      产 品       原理                  特点
        影像医学 X光机 X射线穿透成像 形态全貌、像素精细;
    CT 数据测量重建 密度分辨率高,适应范围广;
    B超 超声波 动态影像,适用于动态影像
    MRI(核磁) 高磁场 最适用于软组织,可表达功能和生化信息;
        核医学 PET γ光子 可检查器官的血流、生理功能和代谢功能;
    SPECT γ光子 可检查器官的血流、生理功能和代谢功能;
    伽马相机 γ射线  
    Dental CBCT    
    头颅侧位    
    牙科全景    
    口内CR   数字化;
    口内DR   真正数字化;

    1.2 X光机

     1.2.1 工作原理

            X线(X-ray)机利用X线穿透人体时,人体组织对X线的衰减程度不同,因而投射在荧光屏或胶片上可形成不同亮度(或密度),呈现出对比度差异的影像信息。

    1.2.2 优缺点

             虽然存在着信息效率低、影像重叠、对软组织鉴别能力差、射线对人体有一定损伤等缺点,但由于它的适用范围广,信息量大,影像丰富细腻,尤其是实时;形态观察方面,在骨科、胸科、断肢再植、介入放射治疗等临床应用上,有着不可比拟的优势。

     

    1.3 CT

     1.3.1 工作原理

            通过X线射束从各个方向对被探测的断面进行扫描,利用现代计算机技术对检测器获得的各个方向投影数据进行分析和处理,然后重建断层影像

    1.3.2 优缺点

            它的影像对比度较高,最突出的优点是可实现断层成像,有选择地对人体某一切面进行观察分析,综合观察相邻断面的影像,可获得不完全连续的准三维结构信息。

     

    1.4 B超(US)

    1.4.1 工作原理

          靠超声波在人体内传播,遇到不同组织和器官时,会因其声阻抗不同而产生声强度差异的回声来建立影像的。组织器官在空间位置上的不同,还将使回声产生出时间上先后的差异,以此做为影像重建的一个参数,即可以显示出人体结构形态上的对应关系。

    1.4.2 优缺点

           US的突出优点是对人体无损伤,这也是与X线诊断的重要区别之一,因此特别适用于产科和婴幼儿的检查。另外它能方便地进行动态连续实时观察。

     

    1.5 MRI(核磁)

    1.5.1 工作原理

             它采用静磁场和射频磁场对人体组织成像。在原子内部,电子、质子、中子都有自旋特性,当自旋的质子被置入一个外加磁场B时,就会绕着B方向进动。若人体内氢质子群被磁化后,再加上一个与B垂直的交变射频磁场,则质子群将吸收能量,从低能态跃迁到高能态,其进动相位趋于一致。当交变磁场一被切断,质子群就在弛豫时间内释放出能量,产生用于磁共振成像的信号,信号强度与质子密度、弛豫时间有关。

    1.5.2 优缺点

             由于MRI 是对质子成像,因此对软组织的成像比较清晰。作为人体形态学研究和临床诊断的一种工具,其空间分辨率高,在解剖学细节和影像低失真方面都不亚于X-CT,并且无电离辐射和放射损伤,所以在检查婴幼儿和子宫中的胎儿时,MRI是一种非常有价值的方法,对于需要做定期复查的疾病(乳腺癌)也是很有利的。另外要强调的是,MRI还可以根据其他参数来分辨密度相似的组织,特别是可以帮助鉴别有病的组织和邻近的正常组织,甚至还能进行分子结构的微观分析,反映出生理、生化等方面的功能,能从人体分子内部反映出器官失常和早期病变,有助于对肿瘤进行早期或超早期诊断。

    二、X光机

    2.1 X 光机组成

              控制台、高压电源、球管

    2.1.1 球管

             X线球管可谓X线机的心脏,它是产生X线的关键部件。是一个高真空器件,产生X线的实质是能量转换,根据产生X线的条件,高速电子所携带的能量,在遭到急剧阻挡后,大部分转变为热能,很小的一部分能量转变为X线,X线球管是一个转换效率极低的能量转换元件,在此过程中大约有99%左右的能量被转换成热能而被浪费掉,不仅如此,人们为了解决这大量的热带来的问题又投入了较大的精力去研究 如何散热。

    2.1.2 组成框图

               

    2.1.3 X成像设备研究方向

    (1)改进影像质量,提高影像分辨率;

     (2)向自动化方向发展;

    (3)提高X线机的结构性能和防护性能;

    (4)围绕着提高灵敏度和降低受照剂量,推进X线机的发展。

    三、CT 

    3.1 CT演变

    3.1.1 第一代CT

      平移 + 旋转;

    3.1.2 第二代CT

    平移  + 旋转 + 更多探测器(提高探测速度)

      

    3.1.3 第三代CT

    扇形、全身面积的探测器   + 旋转

    3.1.4 第四代CT

           第4代CT扫描机是在第3代的基础上发展起来的,其探测器形成一个环形阵列,扫描时探测器静止不动,X线球管在探测器阵列圈内旋转扫描,这种结构消除了探测器故障引起的环形伪影。

    3.2 CT的成像原理

    3.2.1 线衰减系数

           对于能量为E的单能射线,当其通过厚度为d的材料后,其 X线强度由 Io 衰减为 I,可以用公式表示:

                           I= Io e^(^-^u^d^)                           u值均匀的材料;

                           I= Ioe^-^(^u^1^d^1^+^u^2^d^2^+^u^3^d^3^)       u值由3块不同的衰减系数组成;

                          I=Ioe-\int_{0}^{d}u_{x}d_{x}                 不同均匀材料用积分表示;

            从上面表达式可以看出,μ值越大或材料厚度d越大,则I值越小,或者说衰减就越大。能量与吸收系数μ之间有这样的依赖关系,即能量越低,μ值越大;且随着能量的增加,μ值随之减少。

           用这种CT值表示吸收系数后,水的CT值定为0,而空气和硬骨分别被定为-1000和+1000。于是,重建得到的CT影像可以认为是一个CT值的矩阵,其中每个值代表一个像素。 

    3.2.2 影像重建

    (1)代数重建方法;

    (2)反投影方法;

    (3)褶积-反投影法(暂未搞清楚)。

     

    3.3 CT设备的结构、作用、原理

    3.3.1  CT结构

    扫描床、扫描架、高压发生器、计算机系统、操作台、照相机、其他;

    3.3.2 电路系统

    3.4、螺旋CT

    3.4.1 定义

           螺旋CT是以X线球管绕被检查物体匀速旋转,被检查物体匀速前进为特征的扫描过程。X线在被检查物体上留下的轨迹是螺旋曲线,故称为螺旋CT。

                                    

    3.4.2 滑环

         第4代CT与第3代CT最大的区别就是滑环的引入,第3代CT由于有线连接的方式只能向右运行一段距离,然后往回旋转。

      

    3.4.3 3代与4代对比

           在常规第3代CT机中探测器基本上都是采用气体探测器,而在螺旋CT机中,大多数采用了固体探测器。固体探测器包含有晶体、光敏二极管和前置放大器,X线轰击晶体后,晶体将x线能量转换成光能,然后又被光敏二极管转换成电流,电流数值一般从零到500nA,二极管输出的电流加到前置放大器的输入端,在其输出端产生零到-10 V的电压,电压的绝对值与入射的X线强度成正比。

     

     

     

     

     

     

    展开全文
  • Python实现的神经影像学机器学习库
  • 运用ArcGIS进行影像分类

    万次阅读 多人点赞 2018-05-09 16:55:31
    影像分类的目的就为了将图像中的像元划分成不同的类别,过程就是根据像元在不同波段的波普亮度、空间结构特征或者其他信息,按照某种规则或算法实现分类。遥感图像分类处理就是是为了提取遥感图像中的目标信息,遥感...

    影像分类的目的就为了将图像中的像元划分成不同的类别,过程就是根据像元在不同波段的波普亮度、空间结构特征或者其他信息,按照某种规则或算法实现分类。遥感图像分类处理就是是为了提取遥感图像中的目标信息,遥感图像分类主要用于地物类别的区分。

           影像分类分为监督分类和非监督分类,很多遥感书籍中都有这两种分类方法的比较。这里我结合ArcGIS软件简单整理一下:


    监督分类

    监督分类是使用被确认类别的样本像元去识别其他未知类别像元的过程。其中这些已被确认类别的像元就是训练样本。也就是说,在监督分类中,必须事先提取出代表总体特征的训练数据以及事先知道影像中有几种类别。这样就可以学习这些样本类别的先验知识,然后对整体数据进行分类。


    在 ArcGIS 中,首先使用 Image Classification 工具条中的训练样本管理器,创建训练样本。



    在创建样本之后,我们可以评估训练样本,使用直方图、散点图、统计数据。


    (1)直方图

    打开直方图,每个波段对应一个直方图。不同类的直方图不应重叠。如果发生重叠,则需要删除或合并其中一些类。

    直方图按钮仅用于整型影像,不适用于浮点型。



    (2)散点图

    散点图是参加分类的影像数据的波段的两两组合,如果有N个波段,就有1 + 2 + … + (N – 1) 个散点图。

    对于所有波段组合,散点图和统计数据不应彼此重叠。



    (3)统计数据

    统计数据包括最小值、最大值、平均值、标准差和协方差矩阵。



    创建训练样本后,可以使用交互式监督分类工具,探索性的直接查看分类结果。这个工具不需要事先创建特征文件,工具后台使用的是最大似然法分类方法。




    在ArcGIS 中,监督分类的主要GP工具是 最大似然法分类工具(Maximum Likelihood Classification)

    (1)需要使用 特征文件(Signature File),既可以是通过训练样本制作的,也可以是ISO聚类工具求取,*.gsg文件。

    (2)可以根据需要设置 剔除分数(Reject Fraction ),例如0.01。这样表示,正确分类的几率不到 1% 的像元就会成为 NoData。

    (3)先验概率(priori probability),工具默认使用 Equal 先验概率,会给像元分配可能性最大的分类。但是,如果某些类出现的可能性大于(或小于)平均值,则应将 FILE 先验选项与输入先验概率文件结合使用。输入先验概率文件必须是包含两列的 ASCII 文件。左列中的值表示类 ID。右列中的值表示相应类的先验概率。类别先验概率的有效值必须大于或等于零。如果指定零作为概率,则类无法显示在输出栅格中。指定先验概率的总和必须小于或等于1。

    (4)最大似然法分类工具还可以附带可选生成 置信栅格(confidence raster),这样可以了解每个像元的正确分类的概率。


    非监督分类

    非监督分类不预先确定类别,而是直接对相似的像元进行归类,根据归类的结果来确定类别。也就是在事先没有任何先验知识的情况下对未知类别的样本进行分类。当我们没有训练区,有对研究区不熟悉时,或者对图像中包含的目标物不明确的时候,采用此方法。


    在 ArcGIS 中进行非监督分类,主要使用工具 ISO聚类非监督分类工具(Iso Cluster Unsupervised Classification)。

    需要指定希望分出来的类别的数量,并且根据需要调整迭代的次数、类的最小尺寸、采样间隔。

    ISO 是 iterative self-organizing 的缩写,也就是迭代自组织方法。此工具的工作原理从帮助中扒出来,供参考:

    iso 聚类算法是一种迭代过程,用于在将各个候选像元指定给聚类时计算最小欧氏距离。该过程从处理软件指定的任意平均值开始,每个聚类一个任意平均值(您指定聚类数量)。将每个像元指定给最接近的平均值(多维属性空间中的所有平均值)。基于首次迭代后从属于每个聚类的像元的属性距离,重新计算各个聚类的新平均值。重复执行此过程:将各个像元指定给多维属性空间中最接近的平均值,然后基于迭代中像元的成员资格计算各个聚类的新平均值。您可通过迭代次数指定该过程的迭代次数。该值应该足够大,才能确保执行指定次数的迭代后,像元从一个聚类迁移至另一个聚类的次数最少;从而,使所有聚类变为稳定状态。迭代次数应该随着聚类数的增加而增加。

    展开全文
  • 1)打开待分类的遥感影像数据 2)依次打开:ENVI主菜单栏—>Classification—>Unsupervised—>K—Means即进入K均值分类数据文件选择对话框。 3)选择待分类的数据文件。 4)选好数据以后,点击OK键,...

    (一)非监督分类

    方法有两种,Isodata 和K-means。

    1、K—均值分类算法

    1)打开待分类的遥感影像数据

    2)依次打开:ENVI主菜单栏—>Classification—>Unsupervised—>K—Means即进入K均值分类数据文件选择对话框。

    3)选择待分类的数据文件。

    4)选好数据以后,点击OK键,进入K-Means参数设置对话框,进行有关参数的设置,包括分类的类数、分类终止的条件、类均值左右允许误差、最大距离误差以及文件的输出等参数的设置。如图1、图2、图3、图4所示

     

    图1 原图像界面

    图2操作菜单

    图3 K-Means图像界面

    图4 在原图进行显示

    2、ISODATA算法

    基本操作与K—均值分类相似。

    1) 进行分类数据文件的选择(依次打开:ENVI主菜单栏—>Classification—>Unsupervised—>IsoData即进入ISODATA算法分类数据文件选择对话框,选择待分类的数据文件)

    2) 进行分类的相关参数的设置(点击OK键以后,进入参数设置对话框,可以进行分类的最大最小类数、迭代次数等参数的设置)

    3) 如此,光谱类的划分到此结束。如图5、图6所示

    图5 操作菜单

    图6  ISODATA算法图像界面

    4)进行光谱类与地物类的联系的建立以及类的合并等操作

     至此,使用ISODATA算法进行分类完成。

    (二)监督分类

    监督分类(Supervised Classification)用于在数据集中根据用户定义的训练样本类别(Training Classes)聚类像元。训练样本类别是像元的集合或者单一波谱,通常的训练区采用ROI来选择,而且应该尽可能的选择纯净的感兴趣区域。

    1)、类别定义/特征判别

    2)、样本选择,建立ROIs,Display->Overlay->Region of Interest建立感兴趣区域

    3)、分类器选择

    4)、影像分类

    步骤:

    1)打开待分类的遥感影像数据文件

    2)进行训练样本的选取:在窗口中打开一张影像,选择主窗口菜单栏Tools键—>Region Of Interest—>ROI Tools…(或是在主窗口上单击右键,在弹出的快捷菜单栏中选择ROI Tools…)进入训练样本选取对话框。

    3)进行训练样本的选取,New Region 可以建立新的样本区,在ROI Name栏中双击,键入类的地物名,在Color栏中双击,可以输入类的颜色,ROI_Type菜单下可以进行样本类型的设置,在主窗口按鼠标左键即可进行样本区选择,以双击右键结束样本区的选取。选取完毕以后,选择File菜单—>Save ROIs,对数据进行保存。

    4)最大似然法的分类:

    在ENVI主菜单栏中Classfication—>Supervised—>Maximum Likelihood,进入分类文件的选取对话框,选择相应的待分类文件。单击OK键,即开始进行分类。如图7、图8所示

    图7 菜单界面

    图8 最大似然法图像界面

    监督分类的方法还有:

    5)平行六面体法:在ENVI主菜单栏中Classfication—>Supervised—>Parallelepiped,进入分类文件的选取对话框,选择相应的待分类文件。单击OK键,即开始进行分类。如图9所示

    图9 平行六面体发图像界面

    (6)最小距离法: 在ENVI主菜单栏中Classfication—>Supervised—>Minimum Distance,进入分类文件的选取对话框,选择相应的待分类文件。单击OK键,即开始进行分类。如图10所示

    图10 菜单界面

    图11 最小距离法图像界面

    (7)马氏距离法: 在ENVI主菜单栏中Classfication—>Supervised—>Mahalanobis Distance,进入分类文件的选取对话框,选择相应的待分类文件。单击OK键,即开始进行分类。如图12、图13所示

    图12菜单界面

    图13 马氏距离法图像界面

    (8)此外还有波谱角法、二值编码法、神经网络法等分类的方法

    (三)两类分类方法的比较

    这里使用K—均值分类法和最大似然法进行了分类比较从总体上看,两种分类的方法存在较大的差异,这是由于两种分类在相关参数的选取时都存在较大的主观性,在K—均值分类的算法中,类数的选取对结果有显著影响,在最大似然法分类中,样本选取的数量,样本的质量以及样本的代表性等对分类的结果都会产生很大的影响,这就需要进行相关参数的调节,来使得分类效果达到最佳。如图14所示

      

    图14 两类方法的比较

    (四)分类后处理

    运用遥感影像分类结果中,不可避免地会产生一些面积很小的图斑。无论从专题制图的角度,还是从实际应用的角度,都有必要对这些小图斑进行剔除和重新分类,目前常用的方法有Majority/Minority分析、聚类(clump)和过滤(Sieve)。这些工具都可以在主菜单->Classification->Post Classification中找到。Majority/Minority分析和聚类(clump)是将周围的“小斑点”合并到大类当中,过滤(Sieve)是将不符合的“小斑点”直接剔除。

    栅矢转换:打开主菜单->Classification->Post Classification->Classification to Vector,可以将分类后得到的结果转化为矢量格式,或者主菜单->Vector->Raster to Vector,在选择输出参数时候,可以选择特定的类别,也可以把类别单独输出为矢量文件或者一个矢量文件。

     

    展开全文
  • ArcGIS中的影像分类

    万次阅读 2014-09-18 10:52:17
    影像分类的目的就为了将图像中的像元划分成不同的类别,过程就是根据像元在不同波段的波普亮度、空间结构特征或者其他信息,按照某种规则或算法实现分类。遥感图像分类处理就是是为了提取遥感图像中的目标信息,遥感...
  • 影像简述

    万次阅读 多人点赞 2018-10-11 13:28:39
    影像简述 影像的工作流程 一、 图像采集 多模态的数据采集方法,使用各种成像方法的都有,不局限。 二、图像分割 滑降区域生长法、图割法、半自动分割算法、基于容量CT的分割法,目前并无可用的通用的方法,...
  • 目录 1 方法论 3 1.1 研究方法 3 1.2 名词解释 4 2 中国人工智能医学影像行业市场综述 7 2.1 医疗人工智能的定义与分类 7 2.2 人工智能医学影像的定义与分类 8 2.3 中国人工智能医学影像行业的发展历程 9 2.4 中国...
  • 影像

    千次阅读 2021-01-23 20:54:07
    1、影像的常规步骤是怎么样的? 传统影像的步骤包括: 1、影像获取及预处理; 2、感兴趣区(ROI)标定; 3、影像特征提取; 4、特征降维; 5、模型建立、优化。 医学影像有哪些 主要有CT(电子计算机...
  • 遥感影像分类之SVM

    千次阅读 2020-11-18 23:16:02
    一、背景简介 遥感图像分类就是利用...在知网中以遥感影像分类为关键词搜索,可以看到遥感影像分类从2000年之后便引起了人们的广泛关注,特别是近10年以来,随着计算机技术的提高,遥感影像分类更是迎来了前所未有
  • 影像技术方法

    万次阅读 多人点赞 2018-11-21 19:00:59
    影像技术方法 来源:放射实践 作者:史张、刘崎 放射实践,2018,33(6):633-636 影像概念 从影像图像中提取的全部特征就是“影像”,而通过特征选择后所挑选出那些具有预测价值特征集合通常被...
  • 决策树分类作为一种基于空间数据挖掘的知识发现的监督分类方法,它通过决策学习过程得到分类规则并对遥感影像进行分类,突破了以往分类树或分类规则的构建要利用分类者的生态和遥感先验知识的确定。我们以AdaBoost...
  • 基于光谱的分类方法 1.概要 灰度分割 非监督分类: ISODATA、K-Means 监督分类:基于传统统计分析分类器(平行六面体、最小距离、马氏距离、最大似然)【分类器】 基于人工智能分类器(神经...对于单波段影像...
  • 参考学习: 基于eCognition的遥感影像面向对象分类 GIS思维系列技术分享
  • 决策树分类作为一种基于空间数据挖掘的知识发现的监督分类方法,它通过决策学习过程得到分类规则并对遥感影像进行分类,突破了以往分类树或分类规则的构建要利用分类者的生态和遥感先验知识的确定。而C5.0算法作为...
  • 目前决策树算法已经被广泛的应用于医学、制造和生产、金融分析、天文、分子生物以及遥感影像分类等领域。 法和boosting推进技术研究的基础上,以BoostTree算法为基础,通过算法改进,构建了AdaTree.WL算法。...
  • 实验目的: 理解计算机图像分类的基本原理,掌握数字图像非监督分类以及监督分类的具体方法和过程,以及两种分类方法的区别。 二.实验平台:ERDAS IMAGINE 9.1 三.实验要求:掌握非监督分类;非监督分类结果评价;...
  • 深度学习可以自动学习大量历史数据深层本质特征和规律,从而对新数据进行识别、判断或对未来做出预测,可以在一定程度上提高分类识别的精度。...注:文章选自《基于深度学习的遥感影像分类研究》硕士论文 段琳琳 ...
  • 影像在医学影像中的应用

    千次阅读 2019-07-01 21:44:03
    首先介绍一下影像:目前来讲,影像设备所生成的图像数据量越来越大,过去对图像数据的处理与使用方式显然难以充分挖掘图像的大数据信息。因此影像应运而生。2012年,荷兰学者Lam bin等人[1]正式提出了影像组...
  • (转)影像学习

    2019-06-17 11:05:46
    影像学习笔记题外话这仍然是一篇学习笔记。近期在不同的学术会议上,有幸聆听学习了几位影像的大咖做报告,受益匪浅。以大咖们的报告为指导,自己也学习查找了一些文献,加入了一点点自己的理解和想法,整理...
  • 遥感影像处理&分类K均值算法

    热门讨论 2010-01-19 16:52:08
    本科时写的。包括图像格式转换、灰度变换、图像增强、边缘检测、直方图统计、形态运算。以及遥感影像K均值分类算法,针对bmp彩色图像。VC++6.0编程实现。
  • First OrderFeatures (19 features) Shape Features(16 features) Gray LevelCo-occurrence Matrix (GLCM) Features ...每个类别具体的影像特征可参照 https://pyradiomics.readthedocs.io/en/latest/features.html
  • 遥感影像场景分类是遥感影像目标检测和高层语义理解的基础,遥感影像高层语义理解又是空间分析的基础。实际应用中空间分析借助地图与空间信息解决经济、社会、国防等重要领域的技术任务。 经验1. 准确率92.55%...
  • 主题围绕“病理性近视”,涵盖了疾病定性分类、关键结构定位分割、主要病灶检测分割等非常丰富全面的任务。 AI+医疗赛道上,医学影像是最基础的也是需求量最大的。在多个计算机视觉和医疗影像学术会议上,业界...
  • 影像的研究

    万次阅读 2018-07-16 14:29:59
    影像学习笔记题外话这仍然是一篇学习笔记。近期在不同的学术会议上,有幸聆听学习了几位影像的大咖做报告,受益匪浅。以大咖们的报告为指导,自己也学习查找了一些文献,加入了一点点自己的理解和想法,整理...
  • 这段时间潜心研究了一下libsvm工具箱并用它来进行遥感影像分类,特此将一些心得记录下来,一是为了备忘,二也是为了能够与大家分享。 写在开头 首先非常感谢faruto学长的分享,我从中学习到了很多,让我从一点不...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 12,047
精华内容 4,818
关键字:

影像学分类