XiaoMi-AI文件搜索系统
World File Search System灰度级
shanlax 国际艺术、科学与人文杂志
基于属性、空间和局部的方法。在基于直方图的方法中，峰值、谷值和曲线被纳入图像分析。在聚类方法中，灰度级样本按前景和背景聚类。在熵方法中，它导致前景和背景的无序性，并且通过原始图像和二值化图像之间的区域来测量交叉熵。灰度级之间的相似性通过对象属性方法测量。以下部分揭示了一些用于图像融合应用的阈值技术。
使用机器学习检测紧急创伤环境中的颅内血肿的早期预警系统
由算法确定标签。根据决策树，在从 Haralick 特征（30）和图像矩（即中心矩、原始矩、归一化中心矩和 Hu 矩）中评估的 50 个因素中，来自 Haralick 特征的熵和方差以及图像中的中心矩特征是决定标签的最有效因素。在图像处理中，图像矩是图像像素强度的加权平均值（矩），或此类矩的函数，通常选择具有某些有吸引力的特性或解释。通过图像矩找到的图像的简单属性包括面积（或总强度）、其质心以及有关其方向的信息。另一方面，熵测量图像直方图的强度，它显示图像中不同灰度级的概率。
mgy-002 遥感和图像解释 - eGyanKosh
有时，单个探测器不会记录某个像素的接收信号。这可能会导致随机坏像素。如果在场景中发现大量随机坏像素，则将其称为散粒噪声。短噪声会给图像一种有许多黑色戳痕的印象。通常，这些坏像素在一个或多个波段中包含 0 或 255（8 位数据）范围内的值。通过识别给定波段中位于截然不同的相邻像素值中间的 0（黑色）或 255（白色）像素，可以消除散粒噪声。然后，这些噪声像素被其各自的八个相邻像素的平均像素值替换。例如，在图 11.2ab 中，其中两个像素具有零灰度级，这与它们的相邻像素完全不同。这些像素被标记为散粒噪声像素，并被其八个相邻像素的平均值替换。
（IJCI）在线可在线访问https://ijci.journals.ekb.eg/基于GLCM和LBP功能与PCA和IG
细胞异常会导致脑肿瘤发育。它是全球死亡率的主要原因之一。早期肿瘤发现可以避免数百万死亡。磁共振成像（MRI）是最流行的成像技术之一，可用于早期检测到脑肿瘤，因此可以改善患者的存活率。MRI中肿瘤的可见性得到提高，这有助于随后的治疗。 这项研究试图尽早检测脑肿瘤。 使用MRI的建议的CAD系统有可能帮助医生和其他专家发现脑肿瘤的存在。 这项工作利用机器学习来提高分类精度。 这项工作是在许多顺序的步骤中进行的，包括使用中位过滤器进行MRIS降噪，使用灰度级别的共存在矩阵（GLCM）和局部二元模式（LBP）提取肿瘤特征的特征，然后使用特征IS进行分类（IG），最终使用机器选择Algorith，最终使用了类型确定并将MRI分类为肿瘤或无肿瘤。 使用GLCM和LBP功能的组合特征向量的提出方法的实验结果，使用IG显示98％的精度，使用PCA的精度为97％。 关键词：脑肿瘤； MRI;灰度合作矩阵GLCM;局部二进制图案LBP；功能选择。肿瘤的可见性得到提高，这有助于随后的治疗。这项研究试图尽早检测脑肿瘤。使用MRI的建议的CAD系统有可能帮助医生和其他专家发现脑肿瘤的存在。这项工作利用机器学习来提高分类精度。这项工作是在许多顺序的步骤中进行的，包括使用中位过滤器进行MRIS降噪，使用灰度级别的共存在矩阵（GLCM）和局部二元模式（LBP）提取肿瘤特征的特征，然后使用特征IS进行分类（IG），最终使用机器选择Algorith，最终使用了类型确定并将MRI分类为肿瘤或无肿瘤。使用GLCM和LBP功能的组合特征向量的提出方法的实验结果，使用IG显示98％的精度，使用PCA的精度为97％。关键词：脑肿瘤； MRI;灰度合作矩阵GLCM;局部二进制图案LBP；功能选择。
使用...
玉米的发展和生产力是全世界重要的农作物，可能会因几种营养缺陷而阻碍。如果我们想增加玉米输出，我们需要快速找到这些问题。这项研究提出了一种通过分析叶片照片来鉴定玉米植物中营养缺陷的详尽方法。我们的方法将深度学习算法与常规机器学习方法结合在一起，以分析和从这些图片中提取信息。所检查的四种营养缺乏症是锌（Zn），钾（K），氮（N）和磷（P）。标准机器学习方法使用Gabor，离散小波变换，局部二进制模式和灰度级别的共发生矩阵（GLCM）。然后，使用诸如支持向量机（SVM），决策树和梯度提升等算法进行分类。根据我们的实验数据，机器学习算法成功地诊断了玉米植物中的营养缺陷。这项研究的结果突出了通过更好的植物营养管理来提高农业产量的机器学习算法的希望。农民和农业专家可能会大大受益于自动图像分析，这些图像分析可以快速，正确地识别玉米植物中的营养缺陷。这项技术有可能在全球范围内为食物的可持续性和安全做出贡献。
Advance Program
M. Yamagata（松下汽车系统 /日本）H。Choi（Univ。< / div>of Arizona / USA) Th2A-01 (Invited) (9:00) Liquid Crystal Polarization Holograms for Virtual Reality Displays Z. Li, X. Wang, H. Cheng, L. Lu, and B. Silverstein (Meta Reality Lab / USA) Liquid crystal polarization holograms (LCPH) are polarization-sensitive holograms that can be used in VR applications.他们提供的好处，例如由于其极化选择性而具有色差校正，诸如适应性，凹陷的展示和煎饼腔形成。TH2A-02（9:25）单芯片2维图像转向朝向紧凑型智能AR显示的光学结构Y. Pei，T。 亚利桑那州 /美国的）由mems空间光调制器通过MEMS空间光调节器转向的衍射和反射性混合图像启用了一种新的LIDAR光学体系结构，以时间多发性方式增加SLM的有效像素计数。 TH2A-03（9:40）构造球形表面的环形光刻D. Stumpf，X。Uwurukundo和R. Brunner（Univ。 应用科学的jena /德国）一种采用副群来产生环形光分布的定制光刻工具可用于在球形表面上的光孔中暴露灰度级结构。 TH2A-04（9:55）使用TENG和MAN方法来消除依赖波长的错误Y. Enami（Nagasaki Univ。 10：10-10：20短暂休息10：20-11：30 [TH2B] C2。TH2A-02（9:25）单芯片2维图像转向朝向紧凑型智能AR显示的光学结构Y. Pei，T。）由mems空间光调制器通过MEMS空间光调节器转向的衍射和反射性混合图像启用了一种新的LIDAR光学体系结构，以时间多发性方式增加SLM的有效像素计数。TH2A-03（9:40）构造球形表面的环形光刻D. Stumpf，X。Uwurukundo和R. Brunner（Univ。应用科学的jena /德国）一种采用副群来产生环形光分布的定制光刻工具可用于在球形表面上的光孔中暴露灰度级结构。TH2A-04（9:55）使用TENG和MAN方法来消除依赖波长的错误Y. Enami（Nagasaki Univ。10：10-10：20短暂休息10：20-11：30 [TH2B] C2。/ Japan）我们使用传输方法测量了EO聚合物的高度精确的电光（EO）系数，从而克服了TENG和MAN反射椭圆测量方法的局限性，并提高了EO研究中的可靠性和准确性。光学组件 /设备室：ILC120主持人：K。Konno（柯尼卡美能达 /日本）TH2B-01（被邀请）（10:20）（10:20）从IR到深层紫外线的双重弹光谱，用于表征激光< / div> < / div>
基于人工智能CNN的去噪对FDG PET放射组学的影响
成像方式如今已成为医学中必不可少的诊断工具。从 2009 年到 2019 年，美国的 CT、MRI 和 PET 检查数量分别增加了约 18%、42% 和 105%（1）。这种不断增长的需求已经超过了实际供应，导致法国/欧洲的 MRI 和 PET 扫描不合理地延迟了数周甚至数月（2）。适当的图像去噪可能有助于减少扫描时间，甚至减少 PET 的注射剂量。它可以增加检查次数，而不会影响太多工作时间或需要安装新的医学成像设备。深度学习作为人工智能 (AI) 的一个分支，可以构建有前景的去噪模型。我们专注于 PET 成像，因为它的扫描时间较长，因此去噪效果会更好。尽管许多研究实际上都在研究这种方法的临床表现，但它也可能影响其他新兴领域，如基于成像的预测模型、放射组学和其他 AI 应用 (3)。医学图像基本上是基于其密度 (CT)、磁性 (MRI) 或功能信息 (PET/SPECT) 的不同灰度级的视觉表示。灰度值的分布表征了信息的异质性。一个快速发展的领域称为放射组学，它提供了一种从图像中提取基于强度、形状、纹理的不同特征的方法，以构建预测模型 (4)。这种方法有望预测患者的结果。它们可能允许个性化治疗。例如，在肺癌中计算了一个包括放射组学特征的总体生存预测模型（5）。2013 年至 2018 年间，该领域的发表论文年增长率为 177.82%（6）。这些模型非常有前景，但仍需付出一些努力才能在常规临床环境中转化和实施它们（7）。人工智能在医学成像领域的应用尚处于早期阶段。在本文中，我们使用了深度学习，更具体地说是卷积神经网络方法，它们代表了人工智能技术的一个细分领域。如今，深度学习在图像重建、处理（去噪、分割）、分析和预测建模中发挥着关键作用。这些应用在未来将得到进一步发展（8）。在大多数这些任务中，它们的表现往往优于更传统的方法 ( 9 )。将这种基于 AI 的 PET/MR 去噪算法与临床数据进行比较，发现对比度与噪声比增加了 46.80 ± 25.23%，而仅使用高斯滤波器的对比度与噪声比仅为 18.16 ± 10.02%（10）。在（10）中研究的其他方法，如引导非局部均值、块匹配 4D 或深度解码器，分别将 CNR 提高了 24.35 ± 16.30%、38.31 ± 20.26% 和 41.67 ± 22.28%。也可以在重建期间执行去噪，但这无法在现有机器上实现。最重要的限制是所有这些方法都缺乏 FDA 或 CE 认证。我们的研究重点是 Subtle PET™（Subtle Medical，美国斯坦福，由法国 Incepto 提供）。它是一款经 FDA 和 CE 批准的 FDG PET（11）后处理去噪软件，基于卷积神经网络（CNN），这是最常见的图像处理深度学习架构。