排序方式: 共有94条查询结果,搜索用时 0 毫秒
1.
基于空间邻域加权的模糊C-均值聚类及其应用研究* 总被引:2,自引:0,他引:2
针对模糊C-均值聚类法用于图像聚类时仅利用了像素的灰度信息,而忽视空间位置信息,导致在噪声区域和边界处有误分类现象,提出一种新的基于空间邻域加权的模糊C-均值图像聚类法。首先,定义了一个空间邻域信息函数,该函数能够有力抑制噪声点,同时能够很好保留边界的特性;其次,设计了具有空间约束的样本邻域信息加权隶属度矩阵;最后,将该方法应用于人工合成图像和模拟MR脑图像的聚类。实验结果表明,该方法能够获得较好的聚类效果,同时具有较强的抑制噪声的能力。 相似文献
2.
3.
针对医学图像数据的特殊性,提出了一种适合挖掘大量医学图像数据的关联分类算法.该算法以频繁模式树为基础,通过引入双支持度,排除一部分对分类无意义且存在干扰的项,以提高分类正确率.实验结果表明,当用于医学图像分类时,该算法可以取得同样的基于关联规则的分类算法CMAR更高的执行效率及更好的分类效果. 相似文献
4.
目的 胰腺的准确分割是胰腺癌识别和分析的重要前提。现有基于深度学习的主流胰腺分割网络大多是编码—解码结构,对特征图采用先降低再增加分辨率的方式,严重丢失了胰腺位置和细节信息,导致分割效果不佳。针对上述问题,提出了基于3D路径聚合高分辨率网络的胰腺分割方法。方法 首先,为了捕获更多3D特征上下文信息,将高分辨率网络中的2D运算拓展为3D运算;其次,提出全分辨特征路径聚合模块,利用连续非线性变换缩小全分辨率输入图像与分割头网络输出特征语义差异的同时,减少茎网络下采样丢失的位置和细节信息对分割结果的影响;最后,提出多尺度特征路径聚合模块,利用渐进自适应特征压缩融合方式,避免低分辨率特征通道过度压缩导致的信息内容损失。结果 在公开胰腺数据集上,提出方法在Dice系数(Dice similarity coefficient,DSC)、Jaccard系数(Jaccard index,JI)、精确率(precision)和召回率(recall)上相比3D高分辨率网络(3D high-resolution net,3DHRNet)分别提升了1.41%、2.09%、2.35%和0.49%,相比具有代表性编码—解码结构的胰腺分割方法,取得了更高的分割精度。结论 本文提出的3D路径聚合高分辨率网络(3D pathaggregation high-resolution network,3DPAHRNet)具有更强的特征位置和细节信息的保留能力,能够显著改善在腹部CT(computed tomography)图像中所占比例较小的胰腺器官的分割结果。开源代码可在https://github.com/qiuchengjian/PAHRNet3D获得。 相似文献
5.
6.
关联规则挖掘中增量式更新算法的研究 总被引:8,自引:1,他引:8
关联规则的更新是数据挖掘技术中的一个重要内容,能否有效地挖掘出动态事务数据库中的频繁项目集或关联规则是衡量一个算法好坏的关键因素。该文系统地介绍了关联规则的增量式更新问题,给出或提出了相应的算法,并举例说明了算法的执行过程。 相似文献
7.
9.
10.