随笔分类 - 深度学习数据预处理
摘要：1、利用拉普拉斯算子进行图像增强本质是利用图像的二次微分对图像进行蜕化（图像锐化处理的作用是使灰度反差增强，从而使模糊图像变得更加清晰），在图像领域中微分是锐化，积分是模糊，利用二次微分对图像进行蜕化即利用邻域像素提高对比度，该算法也是工程数学中常用的一种积分变换，也可以用于边缘检测，图像增强、角点
阅读全文
摘要：1、原理：将原始图像的灰度图从比较集中的某个灰度区间均匀分布在整个灰度空间中，实现对图像的非线性拉伸，重新分配图像像素值。 2、应用场景：对于图像背景或者前景太亮（曝光严重）可以得到较好的显示。 3、算法特点：直方图均衡化保证在图像像素映射过程中原来的大小关系保持不变，即较亮的区域依旧较亮，较暗的依
阅读全文
摘要：对于深度学习模型优化，通常从以下几点进行： 1、数据方面： 1）数据预处理：比如可以进行重采样；设置图像强度阈值。 2）数据增广：对于图像来说，可以对图像进行平移、旋转、镜像、添加噪声，改变对比度等方法进行数据扩充。这是一个对图像数据进行扩充的一些库：https://github.com/album
阅读全文
摘要：#coding:utf-8 import SimpleITK as sitk import numpy as np import cv2 # 膨胀 def dilateion(image): kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,
阅读全文
摘要：过拟合原因： 1. 训练集的数量级和模型的复杂度不匹配。训练集的数量级要小于模型的复杂度；（模型太复杂，参数就会太大，然而你的数据量又很小） 2. 训练集和测试集特征分布不一致；（用分类猫的训练集，去拟合分类狗的） 3. 样本里的噪音数据干扰过大，大到模型过分记住了噪音特征，反而忽略了真实的输入输出
阅读全文
摘要：cv2.morphologyEx(image, cv2.MORPH_GRADIENT, SE)可以参考这篇博客cv2.MORPH_GRADIENT：形态学梯度(morph-grad)，可以突出团块(blob)的边缘， 保留物体的边缘轮廓。 #coding:utf-8 import SimpleITK
阅读全文
摘要：cv2.getStructuringElement(cv2.MORPH_RECT, (7,7))介绍，请看这个博客。我简要说一下cv2.getStructuringElement，可用于构造一个特定大小和形状的结构元素，用于图像形态学处理。其中 MORPH_RECT 就是构造一个全1方形矩阵。代码如
阅读全文
摘要：我们可以利用train.csv文件信息， 再结合给定的文件路径（path）信息，可以将给定字目录下的图片名信息整合到scv文件当中。 train.csv文件格式： 图片名信息： 代码如下: from glob import glob import pandas as pd import os def
阅读全文
摘要：# coding:utf-8from glob import globimport osimport SimpleITK as sitkfrom pathlib import Pathimport numpy as npimport imageioimport pandas as pd def rl
阅读全文
摘要：# coding: utf-8 #主要将子文件下大量图片进行路径编号，并保存到csv文件当中。方便直接从文件读取图片路径以及其他图片信息。 #我做的是图像分割，所以存在三类分割区域：["large_bowel", "small_bowel", "stomach"]。 #文件路径：train\case
阅读全文
摘要：为了便于直观的看到2D标签，通常会将其转化为png图像，具体代码如下： # coding:utf-8 from glob import glob import os import SimpleITK as sitk from pathlib import Path import numpy as n
阅读全文
摘要：具体代码 ，请看的的github if __name__ == "__main__": df = pd.read_csv(r'D:/compation/kaggle/train.csv/train.csv') # 路径文件 list_images = glob(r'D:\\compation\\ka
阅读全文
摘要：使用nnUNet跑BraTS脑肿瘤分割预测TC和ET非常低，原来是预测的时候，使用了预处理后的标签。原本标签是：2:WT, 1:TC, 4:ET。但是预处理之后变为：1:WT, 2:TC, 3:ET。所以我们对于最后预测完需要变回原来的标签值。nnUNet需要改动代码位置：nnunet/infere
阅读全文
摘要：在使用nn-Unet做BraTS2019数据集预测时，预测文件分别生成了三类文件：.pkl .npz .nii.gz，我们需要的是.nii.gz文件。所以需要进行文件移动。 # coding:utf-8 import os,shutil import time src_path=f"C:\\User
阅读全文
摘要：在进行深度学习时，为了提高精度，或者为了评估我们模型的优劣，以及如何选择一个更好的模型。这样我们就需要用到交叉验证方法。 我们主要实现如何使用KFold划分训练集和验证集 #coding:utf-8from sklearn.model_selection import KFold def selec
阅读全文
摘要：对于小数据量医学图像进行深度学习使，会由于数据量过小而过拟合。因此我们需要采用数据扩充方法，而flip和rotate又是经常用到的，这里做一个简单的实现。 输入为[batchsize,height, width, channel]。这里是2D医学图像数据增强，我之前应该有写到3D增强，不过2D稍加改
阅读全文
摘要：# coding:utf-8 import numpy as np import torch # 首先确定原图片的基本信息：数据格式，行数列数，通道数 rows=886#图像的行数 cols=492#图像的列数 patchsx = rows patchsy = cols batchsz = 16 c
阅读全文
摘要：import cv2 #OpenCV包 import numpy as np # 首先确定原图片的基本信息：数据格式，行数列数，通道数 rows=886#图像的行数 cols=492#图像的列数 channels =1# 图像的通道数，灰度图为1 path = r"C:\Users\wpx\Desk
阅读全文
摘要：#coding:utf-8 import torch from monai.transforms import Compose, RandHistogramShiftD, Flipd, Rotate90d import matplotlib.pyplot as plt import SimpleIT
阅读全文
摘要：#coding:utf-8 import matplotlib.pyplot as plt import numpy as np import os from skimage.transform import resize from glob import glob import SimpleITK
阅读全文
