医疗图像分类，深度学习图像分类算法，带前后端，一个完整的癌症识别项目，keras框架+flask vue

Caltech 101数据集总共9145幅图像，102类（包括一个背景类，即杂乱类）。删除杂乱类后，8677幅图像，101类

针对高光谱图像数据维数多,光谱信息和空间信息难以提取的问题,提出了一种基于超图和卷积神经网络的分类算法,依据高光谱图像中像素之间的光谱关系和空间关系构建超图;通过超图构建具有谱空联合特征的样本,将其送入卷积神经网络进行特征提取,实现分类。在3种常用的高光谱数据集上进行实验,于Indian Pines数据集上取得了96.63%的总体分类精度。相比于其他算法,所提算法的分类精度高、速度快,而且避免了传统方法在特征提取和融合时出现的不稳定性,验证了其提取的谱空联合信息对高光谱图像具有更强的特征表达能力。

使用K-NN、朴素贝叶斯及最小欧氏距离进行高光谱图像分类，准确度和混淆矩阵评估模型，运行project.m即可

使用SVM、随机森林及K-NN进行高光谱图像分类，内置Indian_pines、PaviaU、Salinas数据集及其标签

分享课程——Pytorch生物医学视觉深度学习入门与实战--豪华版（图像分类+语义分割+目标检测），提供完整的代码+数据集下载

是基于matlab svm平台的干扰信号分类程序

针对基于深度卷积神经网络的高光谱图像分类算法中存在的空间分辨率下降、池化操作引发特征丢失从而导致分类精度下降的问题，设计了一种由双边融合块构成的双边融合块网络。1×1卷积与超链接构成双边融合块上结构，传递局部空间特征，池化、卷积、反卷积、上采样组成下结构，强化高效判别特征。在3个基准高光谱图像数据集上的实验结果表明，该模型优于其他同类分类模型。

遥感图像分类的应用在遥感图像研究中具有重要意义。为了提高高光谱遥感图像分类精度，本文提出了基于多特征融合的高光谱遥感分类方法。该方法将图像的空间特征和光谱特征归一融合，然后使用AdaBoost分类器集成算法对特征进行分类。首先，该方法使用主成分分析对高光谱数据降维，并提取图像的纹理特征和直方图特征，然后将三种特征归一化；最后使用AdaBoost集成分类方法对高光谱遥感数据分类。实验结果表明，相比于单个特征分类，该方法可取得较高的分类精度。

图像分类 使用Python和MATLAB进行纹理图像分类 图片来源： : （使用“灰度PNG图片”链接-23MB） 使用的图像：铝箔，灯芯绒和橙皮。 纹理图像 火车组：120张图像（每个班级40张图像） 测试集：120张图像（每个班级40张图像） 功能（使用Matlab提取）： 灰度共生矩阵（GLCM）：能量和熵。 快速傅立叶变换（FFT）：均值和方差。 分类方法： K近邻 高斯朴素贝叶斯 评估：分类准确性 食谱 用Matlab提取特征 下载纹理图像数据集 收集在一个文件夹中，重命名images3。 运行.m文件 保存dataku.mat文件（不用担心！这里提供了dataku.mat文件）。 要了解有关该细节的更多信息，我准备稍后再上传MATLAB代码。 功能数量：4： 属性1：GLCM的熵 属性2：GLCM的能量 属性3：FFT的均值 属性4：FFT的方差 分