前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >算法集锦(5)|医学图像的边缘检测|Python

算法集锦(5)|医学图像的边缘检测|Python

作者头像
用户7623498
发布2020-08-04 15:15:20
1K0
发布2020-08-04 15:15:20
举报
文章被收录于专栏:决策智能与机器学习

计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是是指用摄像机和电脑代替人眼对目标进行识别、跟踪和测量等,并进一步做图形处理成为更适合人眼观察或传送给仪器检测的图像。

今天,我们介绍一些常用的机器学习算法(卷积网络、边缘识别等)在医学图像处理上的应用。这些算法未来可以嵌入到深度卷积神经网络中,本文中通过简单的实例,直观的展现不同算法对医学图像处理后的效果。

原始图像

(1)乳腺癌细胞

(2)UCSB生物分割基准数据集的细胞二维图

(3)视网膜图像

(4)神经系统图像

(5)大脑核磁共振图像(侧面)

(6)大脑核磁共振图像(正面)

恒等卷积核(Identiti Kernel)

恒等卷积核的大小为3x3,填充(padding)模式为SAME。进行卷积操作后,图像的大小不变,只是由彩色图像转变为黑白图像。

边缘检测(水平)

进行水平边缘检测后的各医学图像如下。

边缘检测(垂直)

经过垂直边缘检测后,垂直方向的纹理更加清晰。

边缘检测(梯度模)

图像的梯度模的定义如下,它可以同时检测图像的水平和垂直方向的变化。

边缘检测(梯度方向角)

梯度方向定位为水平像素和垂直像素之比的反正切值,从我们分析的结果看,基于梯度方向的边缘检测结果难以直观的去理解。

Sobel算子(梯度模)

Sobel算子是一离散型差分算子,用来运算图像亮度函数的梯度之近似值,在图像的任何一点使用此算子,将会产生对应的梯度矢量或是其法矢量。我们将梯度模与Sobel算子结合起来进行医学图像的边缘检测,结果如下。

直观上看,采用了Sobel算子后,与之前仅使用梯度模的结果差异不大。

超像素(Super Pixel)

超像素(SuperPixel),就是把原本多个像素点,组合成一个大的像素。超像素由一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域。这些小区域大多保留了进一步进行图像分割的有效信息,且一般不会破坏图像中物体的边界信息。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2018-04-11,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 决策智能与机器学习 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
图像处理
图像处理基于腾讯云深度学习等人工智能技术,提供综合性的图像优化处理服务,包括图像质量评估、图像清晰度增强、图像智能裁剪等。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档