| 面向乳腺病理图像分类的非相干字典学习及稀疏表示算法 |
| |
| 引用本文： | 汤红忠,王翔,郭雪峰,刘婷.面向乳腺病理图像分类的非相干字典学习及稀疏表示算法[J].计算机辅助设计与图形学学报,2019,31(8):1368-1375. |
| |
| 作者姓名： | 汤红忠 王翔 郭雪峰 刘婷 |
| |
| 作者单位： | 湘潭大学信息工程学院 湘潭 411105;湘潭大学智能计算与信息处理教育部重点实验室 湘潭 411105;湘潭大学信息工程学院 湘潭 411105;湘潭大学智能计算与信息处理教育部重点实验室 湘潭 411105;湘潭大学信息工程学院 湘潭 411105;湘潭大学智能计算与信息处理教育部重点实验室 湘潭 411105;湘潭大学信息工程学院 湘潭 411105;湘潭大学智能计算与信息处理教育部重点实验室 湘潭 411105 |
| |
| 基金项目： | 国家自然科学基金;国家自然科学基金;湖南省自然科学基金;湖南省自然科学基金 |
| |
| 摘 要： | 针对乳腺病理图像分类,提出一种非相干字典学习及其稀疏表示算法.首先针对不同类别的图像,基于在线字典学习算法分别学习各类特定的子字典;其次利用紧框架建立一种非相干字典学习模型,通过交替投影优化字典的相干性、秩与紧框架性,从而有效地约束字典的格拉姆矩阵与参考格拉姆矩阵的距离,获得判别性更强的非相干字典;最后采用子空间旋转方法优化非相干字典的稀疏表示性能.利用乳腺癌数据集BreaKHis进行实验的结果证明,该算法所学习的非相干字典能平衡字典的判别性与稀疏表示性能,在良性肿瘤与恶性肿瘤图像分类上获得了86.0%的分类精度;在良性肿瘤图像中的腺病与纤维腺瘤的分类上获得92.5%的分类精度.
|
| 关 键 词： | 非相干字典学习 紧框架 稀疏表示 组织病理图像分类 |
Incoherent Dictionary Learning and Sparse Representation for Breast Histopathological Image Classification |
| |
| Tang Hongzhong,Wang Xiang,Guo Xuefeng,Liu Ting.Incoherent Dictionary Learning and Sparse Representation for Breast Histopathological Image Classification[J].Journal of Computer-Aided Design & Computer Graphics,2019,31(8):1368-1375. |
| |
| Authors: | Tang Hongzhong Wang Xiang Guo Xuefeng Liu Ting |
| |
| Affiliation: | (College of Information Engineering,Xiangtan University,Xiangtan 411105;Key Laboratory of Intelligent Computing&Information Processing of Ministry of Education,Xiangtan University,Xiangtan 411105) |
| |
| Abstract: | Tang Hongzhong;Wang Xiang;Guo Xuefeng;Liu Ting(College of Information Engineering,Xiangtan University,Xiangtan 411105;Key Laboratory of Intelligent Computing&Information Processing of Ministry of Education,Xiangtan University,Xiangtan 411105) |
| |
| Keywords: | incoherent dictionary learning tight frame sparse representation histopathological image classification |
| 本文献已被 CNKI 维普 万方数据 等数据库收录！ |
