简介：摘要：血红蛋白细胞显微图像分割是显微图像分析的关键步骤，良好的血红蛋白细胞显微图像分割结果可以提高目标检测、信息分析等后续显微图像处理任务的准确度，帮助专家进行更精确的分析。以往血红蛋白细胞图像分割工作以人工为主，这不仅浪费人力物力，同时专家的专业程度以及疲劳程度也会影响识别的准确度,无法稳定地提供高质量的分割结果。同时，血红蛋白细胞显微图像有着血红蛋白细胞尺寸变化大、血红蛋白细胞形状不规则、血红蛋白细胞边界不明显及噪点较强等特点，这些特点进一步提高了人工识别的难度。因此，对血红蛋白细胞显微图像分割工作进行自动化处理具有非常重要的意义。

简介：摘要：高光谱图像的波段多、维度高，图像中蕴含着丰富的信息，在军事、农业、食品和医学等领域具有重要的应用价值。高光谱图像分类是高光谱领域的研究热点，对于促进经济发展和改善民生福祉具有重要意义。然而，由于高光谱图像存在数据冗余性大和标记样本数量不足等问题，严重影响分类精度的进一步提高。因此，为了充分提取高光谱图像中的判别性特征，在有限的标签样本和较低的计算成本下取得较好的分类结果，本文的主要研究了针对高光谱图像的判别性特征提取难度大以及计算冗余的问题，提出了一种基于密集非对称卷积与空洞卷积空闲块网络的高光谱图像分类算法。

简介：摘 要：基于高光谱图像的诊断定级研究是一种利用高光谱图像来进行疾病诊断和定级的研究方法。高光谱图像是一种能够获取物体在不同波段上反射或辐射的光谱信息的图像，具有丰富的光谱特征。在这种研究中，首先收集患者的高光谱图像数据，然后通过分析图像中的光谱信息，提取出与疾病相关的特征。这些特征可以包括不同波段上的光谱曲线形状、吸收峰的位置和强度等。接下来，研究人员通常会使用机器学习算法来构建模型，将提取到的特征与已知的疾病信息进行关联。通过训练模型，使其能够自动识别和分类不同疾病或不同疾病程度的图像。这种基于高光谱图像的诊断定级研究在医学领域具有广泛的应用前景。它可以帮助医生更准确地诊断疾病，提高疾病的早期检测率，并为治疗方案的制定提供科学依据。