CN108389187A - 基于卷积神经网络法和支持向量机法的影像科图像识别方法 - Google Patents
基于卷积神经网络法和支持向量机法的影像科图像识别方法 Download PDFInfo
- Publication number
- CN108389187A CN108389187A CN201810089445.XA CN201810089445A CN108389187A CN 108389187 A CN108389187 A CN 108389187A CN 201810089445 A CN201810089445 A CN 201810089445A CN 108389187 A CN108389187 A CN 108389187A
- Authority
- CN
- China
- Prior art keywords
- image
- convolutional neural
- neural networks
- layer
- medical image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络法和支持向量机法的影像科图像识别方法,其包括以下步骤:采集原始医疗图像作为样本,使用加权灰度化算法对原始医疗图像进行灰度化处理,得到灰度图像;使用直方图均衡化对灰度图像进行处理,得到均衡后灰度图,使用改进的Isotropic Sobel边缘检测算子对均衡后灰度图进行边缘检测,得到边缘图像,使用自适应阈值算法对边缘图像进行二值化,得到二值化后的医疗图像;使用形态学运算操作对二值化后的医疗图像进行处理,得到医疗候选区域图像,并将候选区域图像形成训练数据,初始化卷积神经网络,训练数据,提取出特征数据;将卷积神经网络模型训练提取的特征数据传到支持向量机中进行训练,将提取的测试特征数据输入医疗图像识别训练模型中进行判断,最终得到准确的医疗图像识别结果。
Description
技术领域
本发明涉及医疗影像科用图像处理领域,具体涉及一种基于卷积神经网络法和支持向量机法的影像科图像识别方法。
背景技术
目前,国内外诸多著名学者都致力于图像分割算法的研究,图像分割方法主要有以下四种:基于阈值、基于边缘检测、基于区域、基于能量的分割。
基于阈值的分割方法主要有直方图凹面分析法、最大类间方差法、阈值插值法等,该类方法直观简单高效,但是由于图像的复杂性,阈值的选取成为该类方法的一大挑战;基于边缘检测的分割方法中比较经典的算法有Sobel、Prewitt、Laplace以及Canny算子等,该类方法由于噪声点和周围像素点间的阶跃性非常明显,所以极易被误判为边缘;基于区域的图像分割方法主要有区域生长法以及分裂合并法,区域生长法分割较大图像容易出现不连续的空洞从而引发过分割,分裂合并法在不断分裂的过程中容易对边界区域产生破坏;基于能量的图像分割方法包括基于水平集的方法、基于图论的方法、基于ICM的方法等等。基于水平集的方法自出现以来,便成为图像分割领域的热点,在国际顶级期刊和国际会议上均有大量的水平集图像分割新方法提出。Caselles和Malladi等人在图像分割的主动轮廓模型的上下文中介绍了水平集方法,但分割结果存在误差,而且分割结果不稳定。为了解决这个问题,Osher等人采用重新初始化水平集函数的方法来确保水平集的稳定性。然而,重新初始化的做法不仅会引起严重的问题,而且还会影响数字的准确性。之后,李纯明提出了一种新的变分水平集。在其数值实现中,可以在有限差分方法中使用相对较大的时间步长以减少迭代次数,同时确保足够的数值精度。王晓峰提出了一种高效的、鲁棒的水平集方法,将多尺度分段思想引入局部区域,其具有很好的效率和鲁棒性。
虽然图像分割方法众多,但是却各有弊端,即使水平集的方法在图像分割领域上已经得到了较好的结果,由于水平集方法需要人工对水平集函数进行初始化,一方面增加了劳动量,另一方面导致不同的初始化区域造成算法所对应的分割结果和收敛性存在很大的不同,而云模型的思想将自然语言中的随机性和模糊性有效的综合在一起,构成定量和定性之间的相互映射,因此将云模型与水平集的方法结合起来,在图像分割领域具有广泛的应用前景。但是目前针对于医疗图像的处理分割因为其复杂性和变化性,导致识别能力较低,对于医生的检查和治疗没有起到很好的识别性能,有时候往往一些微小的变化未能及时观察出来,导致严重的后果。因此有必要提供一种精确的影像科图像识别方法。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是提供一种自动化程度高、精确度高的基于卷积神经网络法和支持向量机法的影像科图像识别方法。
本发明技术方案如下:基于卷积神经网络法和支持向量机法的影像科图像识别方法,采集原始医疗图像作为样本,使用加权灰度化算法对原始医疗图像进行灰度化处理,得到灰度图像;使用直方图均衡化对灰度图像进行处理,得到均衡后灰度图,采用高次样条函数对灰度直方图进行拟合,所述拟合后的曲线有明显的谷值点和峰值点;对拟合后的灰度直方图划分谷值区间,在高次样条函数拟合的基础上得到平滑可导的拟合曲线,并求取该平滑可导拟合曲线的极值点,根据极值点两边的符号将谷值点筛选出来;使用改进的Isotropic Sobel边缘检测算子对均衡后灰度图进行边缘检测,得到边缘图像,改进的Isotropic Sobel边缘检测算子进行边缘检测,得到边缘图像,改进的Isotropic Sobel边缘检测算子为所示:
使用自适应阈值算法对边缘图像进行二值化,得到二值化后的医疗图像;使用形态学运算操作对二值化后的医疗图像进行处理,得到医疗候选区域图像,并将候选区域图像形成训练数据,初始化卷积神经网络,所述初始化卷积神经网络为:设置卷积神经网络中的参数,其中包括:卷积核的数量、降采样层的数量、卷积核的大小、降采样层的降幅,初始化卷积核的权重和偏置;将训练数据分批均分到输入卷积神经网络中,训练数据分别经过卷积层、降采样层、卷积层、降采样层、多层感知器,完成前向传播;对多层感知器进行误差计算和梯度计算,并判断误差是否收敛;若是,则将得到的误差和梯度用反向传播算法,经过降采样层、卷积层、降采样层、卷积层、输入层逐层传播,并且逐层更新网络的权重,判断是否为输入层,若是则提取出特征数据;将卷积神经网络模型训练提取的特征数据传到支持向量机中进行训练,把经过卷积神经网络的训练特征数据输入支持向量机,同时,用网格搜索的优化方法来优化支持向量机的参数C和δ,确定最优的支持向量机模型,建立医疗图像识别训练模型;将卷积神经网络提取的测试特征数据输入医疗图像识别训练模型中进行判断,最终得到准确的医疗图像识别结果。
进一步的,所述将训练数据分批均分到输入卷积神经网络中,训练数据分别经过卷积层、降采样层、卷积层、降采样层、多层感知器,完成前向传播,具体包括:首先从样本集中取一批样本(X,YP),其中X是样本数字的向量,Y是X对应的期望值,P是0到9的数字,将X输入卷积神经网络,计算出相应的实际输出OP,OP=Fn(...F2(F1(XPW(1))W(2))W(n)),n是卷积神经网络的第n层,W表示权值,其中卷积运算是用卷积滤波器在上层网络结构中做卷积运算,然后进行非线性变换,而降采样运算只采用最大池化操作,即最大池采样是通过一个滤波器提取上层网络结构的特征数据,不经过非线性运算,每次滤波后的最大值是数据降采样后的一个特征。
进一步的,所述反向传播算法具体为:按极小化误差的方法反向传播并且调整卷积神经网络中的权矩阵,首先对样本批量前向传播,计算出卷积神经网络中所有的激活值;然后,针对每层节点,计算其残差,残差是从后向前的求导过程;接着,计算权值的偏导数,并更新权值参数;最后,重复以上方法迭代卷积神经网络参数使代价函数收敛到一个极小值,最终求解得到卷积神经网络模型。
有益效果:本发明一种结合CNN和SVM的手写数字识别方法,该方法将卷积神经网络模型和支持向量机模型进行有机结合。结合卷积神经网络和支持向量机的识别模型很深度的描述样本数据和期望数据的相关性,对数字模式分类的区分能力很强。而且卷积神经网络模型和支持向量机模型它们的目标是区分性的,使生成的手写数字识别系统的输出更易优化。通过使用加权灰度化算法对原始医疗图像进行灰度化处理,得到灰度图像,这样医疗图像就被形象的处理成为容易识别的图像;再使用直方图均衡化对灰度图像进行处理,得到均衡后灰度图,使用改进的Isotropic Sobel边缘检测算子对均衡后灰度图进行边缘检测,得到边缘图像相比于原来的边缘检测算子,使其边缘检测算子归一化,能有效的实现复杂背景下的医疗图像定位和识别功能,SVM判别模型排除了伪医疗图像区域的干扰,实现了医疗图像的精确定位,改进的Isotropic Sobel边缘检测算子进行边缘检测,得到边缘图像,正是以上这些步骤的不可分割的使用,使得本发明易于实现,医疗图像识别效果很好,且提高了图像的鲁棒性。
附图说明
图1是本发明提供优选实施例的方法流程图示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明:
如图1所示,一种基于卷积神经网络法和支持向量机法的影像科图像识别方法,其包括以下步骤:
采集原始医疗图像作为样本,使用加权灰度化算法对原始医疗图像进行灰度化处理,得到灰度图像;使用直方图均衡化对灰度图像进行处理,得到均衡后灰度图,优选的,采用高次样条函数对灰度直方图进行拟合,所述拟合后的曲线有明显的谷值点和峰值点;对拟合后的灰度直方图划分谷值区间,在高次样条函数拟合的基础上得到平滑可导的拟合曲线,并求取该平滑可导拟合曲线的极值点,根据极值点两边的符号将谷值点筛选出来;本发明正是考虑医疗图像所对应的灰度直方图有多峰谷,所以考虑转换灰度直方图成平滑曲线,借此部分明显性不强的峰谷就可以被忽略掉,有用峰谷所对应的值点就可以确定下来。这样就可采用高次样条函数对灰度直方图进行拟合,得到的拟合后曲线具有明显的谷值点和峰值点。获得拟合曲线所对应之极值点,借助对该极值点两边符号的判断将谷值点筛选出来。进行区间划分时,先处理谷值,具体做法如下根据判断前后斜率,将少数斜率不明显之谷值点去除,借此使得区间划分不但具有较高的智能性,而且具有较高的自适应性。使用改进的Isotropic Sobel边缘检测算子对均衡后灰度图进行边缘检测,得到边缘图像,改进的Isotropic Sobel边缘检测算子进行边缘检测,得到边缘图像,改进的Isotropic Sobel边缘检测算子为所示:
这也是本发明的一大改进点,正是通过该改进的归一化后的Isotropic Sobel边缘检测算子,使得计算得出的边缘图像更清晰,识别能力更强,使用自适应阈值算法对边缘图像进行二值化,得到二值化后的医疗图像;使用形态学运算操作对二值化后的医疗图像进行处理,得到医疗候选区域图像,并将候选区域图像形成训练数据,初始化卷积神经网络,所述初始化卷积神经网络为:设置卷积神经网络中的参数,其中包括:卷积核的数量、降采样层的数量、卷积核的大小、降采样层的降幅,初始化卷积核的权重和偏置;将训练数据分批均分到输入卷积神经网络中,训练数据分别经过卷积层、降采样层、卷积层、降采样层、多层感知器,完成前向传播;对多层感知器进行误差计算和梯度计算,并判断误差是否收敛;若是,则将得到的误差和梯度用反向传播算法,经过降采样层、卷积层、降采样层、卷积层、输入层逐层传播,并且逐层更新网络的权重,判断是否为输入层,若是则提取出特征数据;将卷积神经网络模型训练提取的特征数据传到支持向量机中进行训练,把经过卷积神经网络的训练特征数据输入支持向量机,同时,用网格搜索的优化方法来优化支持向量机的参数C和δ,确定最优的支持向量机模型,建立医疗图像识别训练模型;将卷积神经网络提取的测试特征数据输入医疗图像识别训练模型中进行判断,最终得到准确的医疗图像识别结果。
优选的,所述将训练数据分批均分到输入卷积神经网络中,训练数据分别经过卷积层、降采样层、卷积层、降采样层、多层感知器,完成前向传播,具体包括:首先从样本集中取一批样本(X,YP),其中X是样本数字的向量,Y是X对应的期望值,P是0到9的数字,将X输入卷积神经网络,计算出相应的实际输出OP,OP=Fn(...F2(F1(XPW(1))W(2))W(n)),n是卷积神经网络的第n层,W表示权值,其中卷积运算是用卷积滤波器在上层网络结构中做卷积运算,然后进行非线性变换,而降采样运算只采用最大池化操作,即最大池采样是通过一个滤波器提取上层网络结构的特征数据,不经过非线性运算,每次滤波后的最大值是数据降采样后的一个特征。
优选的,所述反向传播算法具体为:按极小化误差的方法反向传播并且调整卷积神经网络中的权矩阵,首先对样本批量前向传播,计算出卷积神经网络中所有的激活值;然后,针对每层节点,计算其残差,残差是从后向前的求导过程;接着,计算权值的偏导数,并更新权值参数;最后,重复以上方法迭代卷积神经网络参数使代价函数收敛到一个极小值,最终求解得到卷积神经网络模型。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (3)
1.一种基于卷积神经网络法和支持向量机法的影像科图像识别方法,其特征在于,包括以下步骤:
采集原始医疗图像作为样本,使用加权灰度化算法对原始医疗图像进行灰度化处理,得到灰度图像;使用直方图均衡化对灰度图像进行处理,得到均衡后灰度图,采用高次样条函数对灰度直方图进行拟合,所述拟合后的曲线有明显的谷值点和峰值点;对拟合后的灰度直方图划分谷值区间,在高次样条函数拟合的基础上得到平滑可导的拟合曲线,并求取该平滑可导拟合曲线的极值点,根据极值点两边的符号将谷值点筛选出来;使用改进的Isotropic Sobel边缘检测算子对均衡后灰度图进行边缘检测,得到边缘图像,改进的Isotropic Sobel边缘检测算子进行边缘检测,得到边缘图像,改进的Isotropic Sobel边缘检测算子为所示:
使用自适应阈值算法对边缘图像进行二值化,得到二值化后的医疗图像;使用形态学运算操作对二值化后的医疗图像进行处理,得到医疗候选区域图像,并将候选区域图像形成训练数据,初始化卷积神经网络,所述初始化卷积神经网络为:设置卷积神经网络中的参数,其中包括:卷积核的数量、降采样层的数量、卷积核的大小、降采样层的降幅,初始化卷积核的权重和偏置;将训练数据分批均分到输入卷积神经网络中,训练数据分别经过卷积层、降采样层、卷积层、降采样层、多层感知器,完成前向传播;对多层感知器进行误差计算和梯度计算,并判断误差是否收敛;若是,则将得到的误差和梯度用反向传播算法,经过降采样层、卷积层、降采样层、卷积层、输入层逐层传播,并且逐层更新网络的权重,判断是否为输入层,若是则提取出特征数据;将卷积神经网络模型训练提取的特征数据传到支持向量机中进行训练,把经过卷积神经网络的训练特征数据输入支持向量机,同时,用网格搜索的优化方法来优化支持向量机的参数C和δ,确定最优的支持向量机模型,建立医疗图像识别训练模型;将卷积神经网络提取的测试特征数据输入医疗图像识别训练模型中进行判断,最终得到准确的医疗图像识别结果。
2.根据权利要求1所述的基于卷积神经网络法和支持向量机法的影像科图像识别方法,其特征在于,所述将训练数据分批均分到输入卷积神经网络中,训练数据分别经过卷积层、降采样层、卷积层、降采样层、多层感知器,完成前向传播,具体包括:首先从样本集中取一批样本(X,YP),其中X是样本数字的向量,Y是X对应的期望值,P是0到9的数字,将X输入卷积神经网络,计算出相应的实际输出OP,OP=Fn(...F2(F1(XPW(1))W(2))W(n)),n是卷积神经网络的第n层,W表示权值,其中卷积运算是用卷积滤波器在上层网络结构中做卷积运算,然后进行非线性变换,而降采样运算只采用最大池化操作,即最大池采样是通过一个滤波器提取上层网络结构的特征数据,不经过非线性运算,每次滤波后的最大值是数据降采样后的一个特征。
3.根据权利要求1所述的基于卷积神经网络法和支持向量机法的影像科图像识别方法,其特征在于,所述反向传播算法具体为:按极小化误差的方法反向传播并且调整卷积神经网络中的权矩阵,首先对样本批量前向传播,计算出卷积神经网络中所有的激活值;然后,针对每层节点,计算其残差,残差是从后向前的求导过程;接着,计算权值的偏导数,并更新权值参数;最后,重复以上方法迭代卷积神经网络参数使代价函数收敛到一个极小值,最终求解得到卷积神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810089445.XA CN108389187A (zh) | 2018-01-30 | 2018-01-30 | 基于卷积神经网络法和支持向量机法的影像科图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810089445.XA CN108389187A (zh) | 2018-01-30 | 2018-01-30 | 基于卷积神经网络法和支持向量机法的影像科图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108389187A true CN108389187A (zh) | 2018-08-10 |
Family
ID=63074142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810089445.XA Pending CN108389187A (zh) | 2018-01-30 | 2018-01-30 | 基于卷积神经网络法和支持向量机法的影像科图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108389187A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110349118A (zh) * | 2019-03-28 | 2019-10-18 | 云南农业大学 | 基于计算机视觉技术的天麻品质检测方法 |
CN111080587A (zh) * | 2019-12-04 | 2020-04-28 | 中山大学 | 一种基于卷积神经网络的重采样图像检测方法 |
CN111797921A (zh) * | 2020-07-02 | 2020-10-20 | 中国工商银行股份有限公司 | 一种图像数据对比方法及装置 |
CN111968127A (zh) * | 2020-07-06 | 2020-11-20 | 中国科学院计算技术研究所 | 一种基于全切片病理图像的癌灶区域识别方法及系统 |
CN113160167A (zh) * | 2021-04-16 | 2021-07-23 | 重庆飞唐网景科技有限公司 | 通过深度学习网络模型进行医学影像数据提取工作方法 |
CN113159273A (zh) * | 2021-01-30 | 2021-07-23 | 华为技术有限公司 | 一种神经网络的训练方法及相关设备 |
CN113160166A (zh) * | 2021-04-16 | 2021-07-23 | 重庆飞唐网景科技有限公司 | 通过卷积神经网络模型进行医学影像数据挖掘工作方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006013514A1 (en) * | 2004-07-26 | 2006-02-09 | Koninklijke Philips Electronics N.V. | System and method for automated suspicious object boundary determination |
CN102411715A (zh) * | 2010-09-21 | 2012-04-11 | 张云超 | 有监督学习功能的细胞图像自动分类方法和系统 |
CN105117727A (zh) * | 2015-09-18 | 2015-12-02 | 浙江工业大学 | 一种车牌快速定位方法 |
CN105232081A (zh) * | 2014-07-09 | 2016-01-13 | 无锡祥生医学影像有限责任公司 | 医学超声辅助自动诊断装置及方法 |
CN105320961A (zh) * | 2015-10-16 | 2016-02-10 | 重庆邮电大学 | 基于卷积神经网络和支持向量机的手写数字识别方法 |
-
2018
- 2018-01-30 CN CN201810089445.XA patent/CN108389187A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006013514A1 (en) * | 2004-07-26 | 2006-02-09 | Koninklijke Philips Electronics N.V. | System and method for automated suspicious object boundary determination |
CN102411715A (zh) * | 2010-09-21 | 2012-04-11 | 张云超 | 有监督学习功能的细胞图像自动分类方法和系统 |
CN105232081A (zh) * | 2014-07-09 | 2016-01-13 | 无锡祥生医学影像有限责任公司 | 医学超声辅助自动诊断装置及方法 |
CN105117727A (zh) * | 2015-09-18 | 2015-12-02 | 浙江工业大学 | 一种车牌快速定位方法 |
CN105320961A (zh) * | 2015-10-16 | 2016-02-10 | 重庆邮电大学 | 基于卷积神经网络和支持向量机的手写数字识别方法 |
Non-Patent Citations (2)
Title |
---|
刘同焰: "车牌识别系统的相关算法研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
赵佳: "基于自适应云模型的多模态医学图像融合方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110349118A (zh) * | 2019-03-28 | 2019-10-18 | 云南农业大学 | 基于计算机视觉技术的天麻品质检测方法 |
CN111080587A (zh) * | 2019-12-04 | 2020-04-28 | 中山大学 | 一种基于卷积神经网络的重采样图像检测方法 |
CN111080587B (zh) * | 2019-12-04 | 2023-05-26 | 中山大学 | 一种基于卷积神经网络的重采样图像检测方法 |
CN111797921A (zh) * | 2020-07-02 | 2020-10-20 | 中国工商银行股份有限公司 | 一种图像数据对比方法及装置 |
CN111968127A (zh) * | 2020-07-06 | 2020-11-20 | 中国科学院计算技术研究所 | 一种基于全切片病理图像的癌灶区域识别方法及系统 |
CN113159273A (zh) * | 2021-01-30 | 2021-07-23 | 华为技术有限公司 | 一种神经网络的训练方法及相关设备 |
CN113159273B (zh) * | 2021-01-30 | 2024-04-30 | 华为技术有限公司 | 一种神经网络的训练方法及相关设备 |
CN113160167A (zh) * | 2021-04-16 | 2021-07-23 | 重庆飞唐网景科技有限公司 | 通过深度学习网络模型进行医学影像数据提取工作方法 |
CN113160166A (zh) * | 2021-04-16 | 2021-07-23 | 重庆飞唐网景科技有限公司 | 通过卷积神经网络模型进行医学影像数据挖掘工作方法 |
CN113160166B (zh) * | 2021-04-16 | 2022-02-15 | 宁波全网云医疗科技股份有限公司 | 通过卷积神经网络模型进行医学影像数据挖掘工作方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108389187A (zh) | 基于卷积神经网络法和支持向量机法的影像科图像识别方法 | |
CN108428225A (zh) | 基于多尺度多特征的影像科用脑部图像融合识别方法 | |
CN109816644B (zh) | 一种基于多角度光源影像的轴承缺陷自动检测系统 | |
Husin et al. | Embedded portable device for herb leaves recognition using image processing techniques and neural network algorithm | |
CN105335725B (zh) | 一种基于特征融合的步态识别身份认证方法 | |
CN110148162A (zh) | 一种基于复合算子的异源图像匹配方法 | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
CN102722714B (zh) | 基于目标跟踪的人工神经网络扩张式学习方法 | |
CN105320961A (zh) | 基于卷积神经网络和支持向量机的手写数字识别方法 | |
CN107967442A (zh) | 一种基于无监督学习和深层网络的指静脉识别方法及系统 | |
CN109740483A (zh) | 一种基于深层神经网络的水稻生长期检测方法 | |
CN106934455B (zh) | 基于cnn的遥感影像光学适配结构选取方法及系统 | |
CN107729820A (zh) | 一种基于多尺度hog的手指静脉识别方法 | |
CN108460337A (zh) | 基于自适应云模型的大雾场景空中图像融合识别方法 | |
CN111161295A (zh) | 一种菜品图像背景剥离方法 | |
CN110047063A (zh) | 一种物料掉落的检测方法、装置、设备及存储介质 | |
CN106056161B (zh) | 一种针对平面旋转目标的视觉检测方法 | |
CN105701812A (zh) | 适用于采棉机器人的视觉识别系统 | |
CN116524269A (zh) | 一种视觉识别检测系统 | |
Wang et al. | Using an improved YOLOv4 deep learning network for accurate detection of whitefly and thrips on sticky trap images | |
CN110147769B (zh) | 一种手指静脉图像匹配方法 | |
CN108876776A (zh) | 一种分类模型生成方法、眼底图像分类方法及装置 | |
CN106327490A (zh) | 一种基于白细胞检测的细胞核分割方法 | |
Dong et al. | Fusing multilevel deep features for fabric defect detection based NTV-RPCA | |
CN113673396B (zh) | 一种孢子发芽率计算方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180810 |
|
RJ01 | Rejection of invention patent application after publication |