窄带水平集matlab代码介绍 此 MATLAB 代码随附以下出版物: Zuure, MB 和 Cohen, M. X (2021)。 用于半盲发现实验对比的窄带多元源分离。 神经科学方法杂志,350,109063。DOI: 此代码仅适用于分析在 . 关于提供的数据的说明 可用数据由两个文件夹组成。 Data文件夹,包含: 每个受试者的 MEG 数据 生成的前向模型,用于模拟 Results文件夹,包含: csGED 结果(每个频率的特征向量和特征值) 仿真结果 Results文件夹中提供的材料是中间处理步骤的结果,用于节省时间(因为某些分析步骤需要大量计算)。 代码检查这些中间结果是否存在并加载它们。 如果它们不存在,它们将从Data的材料生成。 依赖关系 MATLAB; 使用了 R2017b,但早期版本可能有效。 EEGlab 工具箱,可用。 我们使用了 v14.1.2。 要分析的数据集,可用。 如何使用 将此存储库(或下载文件)克隆到您喜欢的位置。 下载并将其放在同一位置,以便在与Scripts文件夹相同的级别上有一个包含文件文件Sxx_data.mat等的Data文件夹和一个包
2022-01-12 11:53:04 38KB 系统开源
1
这是基于区域特征的水平集方法,这种方法的初始化轮廓位置是任意的,且能够得到很好的分割结果。
2021-12-31 11:39:00 2.92MB 水平集 CV模型
1
水平集matlab代码 DogClassification 原理说明 首先,将数据按照mat文件所记录的方式分为训练集和测试集两部分。由于12000张的训练集有点少,所以对每张训练图片采集它的左上角80%区域、右上角80%、左下角80%、右下角80%、中间80%,然后对其进行水平翻转,这样一张图片就变成了10张。 接着,训练方式采用迁移学习,使用已经训好的VGG16模型,去掉最后几层的全连接层后,接上自己的模型进行训练。每张图片丢进VGG16的卷积层得到一个7*7*512维的特征向量,flatten之后,由于数据量少,将后续的两个全连接层的维度从4096降到1024,dropout取0.5(防止过拟合),最后加上softmax,类别设置为120。 训练结果 Epoch 500/500 120000/120000 [==============================] - 183s - loss: 1.7354 - acc: 0.8910 precision recall f1-score support avg / total 0.61 0.64 0.62 8580 更新日
2021-12-19 18:39:38 45KB 系统开源
1
为将肺实质区域从含有背景、噪声的胸腔区域里分割出来,首先,应用传统的区域生长法初步定位肺部边界轮廓;其次,去除肺部边界噪声,采用自适应曲率阈值法修复肺部边界;最后,应用水平集法中的DRLSE模型精确地分割出肺部区域。融合两种方法分割肺部区域,有效防止了图像边缘的漏检,可处理多种类型病变的肺部图像。在随机抽取的150例图像中,分割的准确率达到96.9%,分割一幅图像花费的时间约为0.72 s,具有很强的鲁棒性和较高的分割精度。本算法能精确完整地分割出肺部区域并保留了肺区内的细节信息。
2021-11-29 15:28:15 572KB 区域生长法
1
医学图像分割技术,介绍各种常用的医学图像分割技术以及新出现的分割算法
2021-11-16 09:52:40 417KB 医学图像分割 水平集 level-set
1
C. Li, C. Xu, C. Gui, and M. D. Fox, "Distance Regularized Level Set Evolution and its Application to Image Segmentation", IEEE Trans. Image Processing, vol. 19 (12), pp. 3243-3254, 2010 (pdf, BibTex, 160+ citations, website) (This paper generalizes and improves our preliminary work in CVPR'05, which has received 1100+ citations since 2006)
2021-11-14 17:34:09 1.81MB 水平集 matlab
1
水平集matlab代码 水平集图像分割 1. 水平集变分推导 能量函数: $$ \varepsilon_{g,\lambda,\nu} = \lambda\mathcal{L}(\phi)+\nu\mathcal{A}g(\phi) $$ 其中: $$ \mathcal{L}g=\int{\Omega}g\delta(\phi)|\nabla\phi|dxdy,\qquad \mathcal{A}g=\int{\Omega}gH(-\phi)dxdy,\qquad g=\frac{1}{1+|\nabla G{\sigma}I|} $$ 水平集的优化目标是求得使其能量函数$\varepsilon_{g, \lambda, \nu}$能量最小的曲面$\phi$,即 $$ \phi^=\arg \min(\varepsilon_{g,\lambda,\nu})=\arg \min (\lambda\mathcal{L}(\phi)+\nu\mathcal{A}_g(\phi)) $$ 使用变分法对其进行求解: 首先来看第一项: $$ \mathcal{L}g=\int{\Omega}g\d
2021-11-08 16:54:37 757KB 系统开源
1
一种主动轮廓的算法,速度不错。对初学主动轮廓提取边缘有借鉴意义
2021-11-05 22:51:37 1.48MB 水平集
1
Python中的Chan-Vese水平集 creaseg( )的Chan-Vese水平集代码的大量改编。 原始源代码中的相关文件位于creaseg/文件夹中。 执行此调整时,Burak Bayramli的代码( )非常有用。 Chan-Vese水平集模型旨在最大程度地减少能耗: 其中I是图像,C是分割区域的边界,c_1和c_2是分别在C内外的I的平均值,而kappa是C的曲率。 例子 python chanvese.py 参考 T. Chan和L. Vese。 “无轮廓的有效轮廓”。 IEEE图像处理事务。 第10卷,第266-277页,2001年2月。
2021-11-03 18:24:02 2.5MB TeX
1