2020.3.1日志
今天初步了解了医疗大数据的类型以及几种医疗大数据获取的原理。
具体有X-ray,MRI,B超,PET核素成像
之后了解了几种成像特征:颜色、纹理、形状、空间
学习了RGB直方图:缺点:无法表示具体图形,只能展示初步的颜色的区间的分布
图像卷积操作(之后DOG算子中会用到https://www.cnblogs.com/xiaojianliu/p/9075872.html)
不同的卷积核可以对图像起到不同的效果
之后学习了几个常用的特征算子
1、灰度共生矩阵:GLCM
将图片转为GLCM(各个像素分到不同区域然后形成灰度共生矩阵),然后再计算各个方向灰度共生矩阵的14个feature(均值、方差等),用这14个数来代替这一张图像
2、Harris角点算子
将像素在某点上记作I(x,y)然后将图片移动,计算灰度在各个方向上的变化,若灰度在横竖两个方向上都有较大变化,则这个点是一个角点。(一条线,沿着线方向不会有较大变化)
3、DOG特征
(1)与高斯函数进行卷积处理得到DOG图,目的:降噪
一张图分别用两个不同的参数下进行高斯滤波计算,将不同参数的高斯滤波结果相减,得到一副DOG图
(2)获取三张DOG图
左边是原图+三张不同参数的高斯滤波图,右为三张不同的DOG图,(高斯滤波差分图)
任意的一个点,红点,若红点是周围26个点(三维,中间层红点周围8个,上一层对应的位置9个,下一层9个)若红点为周围26个点极值点,极大值记为1,极小值为0,则红点为特征点。
4、HOG算子
Hog特征提取的过程:把样本图像分割为若干个像素的单元(cell),把梯度方向平均划分为9个区间(bin),在每个单元里面对所有像素的梯度方向在各个方向区间进行直方图统计,得到一个9维的特征向量,每相邻的4个单元构成一个块(block),把一个块内的特征向量联起来得到36维的特征向量,用块对样本图像进行扫描,扫描步长为一个单元。最后将所有块的特征串联起来,就得到了人体的特征。例如,对于64128的图像而言,每22的单元(1616的像素)构成一个块,每个块内有49=36个特征,以8个像素为步长,那么,水平方向将有7个扫描窗口,垂直方向将有15个扫描窗口。也就是说,64128的图片,总共有367*15=3780个特征。
(1)彩图转为灰度图
(2)用gamma校正法对输入图像颜色进行归一化(降噪,降低光照阴影影响)
对每个颜色通道进行平方根运算
(3)计算梯度
梯度计算方法:
将每个像素最大梯度作为该像素的方向
(4)统计各个方向的梯度方向直方图
(5)再次归一化
(6)计算特征值
5、
(1)先模糊n次得到n-1张DOG图,然后降采样,256256到128128,再次进行模糊,获得低一级的DOG图,多次反复操作,得到多尺度的DOG图
(2)DOG关键点检测
(3)找到特征点的幅度和方向
(4)计算特征点领域内方向构建直方图
5、Hough线检测
Y=kx+b,由xy空间转为kb空间,xy空间的点为kb中一条线。若kb空间n条线交于一点,那么对应xy空间中n个点在一条线上
6、Hough圆检测
同理,kb空间中n个圆交于1点,那么对应xy空间上n个点在一个圆上
原文链接:
https://blog.csdn.net/songzitea/article/details/8831909
https://blog.csdn.net/carson2005/article/details/7782726
https://blog.csdn.net/icvpr/article/details/8454527