典型文献
基于PCANet和SVM的病变眼底图像检测算法
文献摘要：
针对眼底图像训练数据集少的问题,该文采用了无监督的主成分分析网络(principal components analysis networks,PCANet)和有监督的支持向量机(support vector mochine,SVM)相结合的算法,通过对彩色眼底图像视网膜渗出物特征的提取,检测出含渗出的糖尿病性视网膜病变眼底图像和正常眼底图像.在对眼底图像进行渗出物特征提取之前,为了减少对渗出物特征提取的干扰,首先对眼底图像进行图像预处理,包括去除冗余背景、通道分离、直方图均衡化、血管去除和视盘去除.无监督的PCANet不需要进行标签训练,与SVM结合,既节约了训练时间,又在训练数据集较小的情况下实现眼底图像的准确分类.实验结果表明:PCANet和SVM相结合的模型在准确性、灵敏度和特异值3个方面与相关方法比较都具有一定的提升.
文献关键词：
图像增强;图像检测;无监督;神经网络
中图分类号：
作者姓名：
杨得国;马兰萍;聂毓
作者机构：
西北师范大学计算机科学与工程学院,甘肃 兰州 730070
文献出处：
引用格式：
[1]杨得国;马兰萍;聂毓-.基于PCANet和SVM的病变眼底图像检测算法)[J].江西师范大学学报（自然科学版）,2022(04):372-378
A类：
mochine
B类：
PCANet,图像检测算法,图像训练,训练数据集,无监督,主成分分析网络,principal,components,analysis,networks,有监督,support,vector,彩色眼底图像,视网膜渗出,渗出物,特征的提取,糖尿病性视网膜病变,图像预处理,通道分离,直方图均衡化,视盘,训练时间,现眼,相关方法,方法比较,图像增强
AB值：
0.281657
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
