7、组工作的时间序列多维对话特征可视化方法与组织病理图像分析

组工作的时间序列多维对话特征可视化方法与组织病理图像分析

组织病理图像分析

特征向量编码

在对 RGB 图像进行处理时，会提取其特征和关键点，并将其表示为描述符向量。这些描述符向量可直接用于各种任务，如关键点匹配。在组织病理图像的疾病和癌症检测与识别分类中，也会用到这些描述符。

不过，RGB - SIFT 向量不能直接用于分类步骤。这里采用 kmeans/频率直方图方法，将 SIFT 特征重新组合成特征袋（BoF），也称为视觉词袋（VBoW）。该方法在整个图像分类任务中被证明是有效的，具体步骤如下：
1. 选择聚类数量（这里 k = 5），并通过描述符向量空间的元素随机初始化每个聚类的质心。
2. 对于其余的描述符向量，分配一个聚类并重新计算该聚类的质心。
3. 最终，描述符向量被重新组合成聚类（这里是 5 个组）。
4. 为特征字典（聚类）分配一个频率直方图，它表示给定聚类描述符的出现次数。

BoF 分类使用 SVM

支持向量机（SVM）是一种基于明确定义的监督学习模型的分类和回归方法。其目标是找到一个完美的线性超平面，确保在优化边界的同时分离两个已知类别的数据（二元 SVM）。

对于不可分离的数据，SVM 提出了学习样本的新表示。如果在定义空间中无法获得线性分离，则需要转换到更大的空间，以确保获得线性分离超平面。

在这项工作中，使用带有软边界的经典二元 SVM 对 BoF 进行分类。这一选择是由实验数据的性质决定的，数据集中包含两类有标签的图像。

测试和评估

实验设置

执行机器配置如