地震成像空频法/space-frequency/偏移成像脉冲响应

地震成像裂步Fourier法/split-step Fourier脉冲响应

地震偏移成像克希霍夫偏移/Kirchoff migration脉冲响应

地震成像有限差分法实现偏移成像/显式有限差分/finite difference

malini：NeuroImaging中的机器学习（MALINI）是基于MATLAB的工具箱，用于使用静止状态功能磁共振成像（rs-fMRI）数据进行特征提取和疾病分类。 介绍了18种不同的流行分类器。 稍加修改，它也可以用于使用任何功能集的任何分类问题

介绍了绿色荧光蛋白的发光机理、基本性质和活体分子成像机制,分析了绿色荧光蛋白在肿瘤的转移机制、血管生成、药物筛选和疗效评判等光学成像技术中的最新应用。对活体分子成像的未来成像技术进行了展望。绿色荧光蛋白作为活体分子成像技术新的报告基因,在肿瘤的早期诊断及实时、无创监测肿瘤的发展变化等方面起了很大的作用,对肿瘤的诊断、药效学研究以及临床药物疗效的判定具有重大意义。

合肥光源储存环束流三维参数测量系统截图合集2021-05-30

图片信息提取软件，可以用在FLIR 图 在python下提取。 也可以在Windows10 环境下单独运行 如果是用到python中，请先 pip install flirimageextractor pip install loguru 然后是把这个exiftool.exe复制到 pycharm 的安装路径下 例如：C:\Program Files\JetBrains\PyCharm 2019.2.3\bin 这个路径根据你的情况来定

西电研究生2014雷达探测与成像这么课程的大作业

在磁共振（MR）图像中对前列腺的自动分割已越来越多地应用于前列腺疾病的诊断和各种临床应用。 然而，由于前列腺边界周围的解剖结构不均匀且变化，因此前列腺MR图像的分割面临着巨大的挑战。 由于深度学习在计算机视觉中显示出优异的性能，因此我们提出了一种使用深度神经网络的粗细细分策略，以分别解决直肠内线圈前列腺图像和非直肠内线圈前列腺图像的分割问题。 首先，我们将基于配准的粗略分割呈现给预处理的前列腺MR图像，以获得潜在的边界区域。 其次，我们训练深度神经网络作为基于像素的分类器，以预测潜在边界区域中的像素是否为前列腺像素。 为了提高算法的可分辨性，我们进一步引入了集成学习以进行精细分割。 最后，使用边界细化来消除离群值并使边界平滑。 所提出的方法已经在PROMIS12挑战数据集和PROSTATEx17挑战数据集上得到了广泛的评估。 实验结果表明，该算法具有较好的分割性能（骰子比为0.910±0.036，平均边界距离为1.583±0.441，Hausdorff距离为4.579±1.791），证明了该算法的有效性。