自迁移出 MediaWiki 以来，本页内容尚未经过审查。如果您愿意帮忙，请查看帮助指南！
此页面提供了 已弃用 Trainable Segmentation 插件 (TSP) 工作原理的高级概述。
总结
该插件通过对单独应用各种元件（例如高斯模糊），为每个输入图像像素一组特征。，选择用户图像中的像素组将每个组分配给一个类别（例如、背景、细胞核、孢子、细胞膜）。该插件通过特征数据并为用户选择的像素分配类别来构建分类树森林。这就是器。然后，分类器可以通过将森林采集每个像素来分割训练后的图像和其他图像 - 树根据其特征“投票”每个像素主题的其他。
##特点
该插件创建一组图像 - 每个功能一个图像。例如，如果仅选择高斯模糊特征，则分类器将在四个原始图像和具有四个不同 \(\sigma\) 高斯参数的模糊图像上进行训练，因此每个像素将有 5 个特征。如果将均值作为特征添加，则每个像素将具有九个特征（原始图像中像素位置的值、四张高斯模糊图像和四张具有不同半径的均值图像）。
Sobel filter
使用高斯 kernels 执行四个单独的convolutions，\(\sigma\) 等于 1、2、4 和 8。半径越大，图像越模糊，像素直到均匀。
Gaussian Blur
计算每个像素的中间。在过滤器之前执行 \(\sigma\) = 1、2、4 和 8 的高斯模糊。
黑森州
计算每个像素处的 classification trees H： \(H(f) = \begin{bmatrix} \dfrac{\partial^2f}{\partial x^2} & \dfrac{\partial^2f}{\partial x \partial y} \\\ \dfrac{\partial^2f}{\partial x \partial y} & \dfrac{\partial^2f}{\partial y^2} \\\ \end{b 矩阵}\)
其实现方式如下：
- \(\dfrac{\partial^2f}{\partial x^2}\)：Xsobel方向核与图像形式两次。
- \(\dfrac{\partial^2f}{\partial y^2}\)：Y方向sobel核与图像曲面两次。
- \(\dfrac{\partial^2f}{\partial x \partial y}\)：X和Y方向的sobel核分别与图像图像一次。
在应用任何滤波器之前，执行 \(\sigma\) = 1、2、4 或 8 的高斯模糊。给定 Hessian 矩阵 \(\begin{bmatrix}a & b \\\ c & d\end{bmatrix}\)，用于像素分类的最终特征计算如下：
- \[\sqrt{a^2 + bc + d ^ 2}\]
- 跟踪：\(a + d\)
- 行列式：\(ad - cb\)
高差异
从原始图像计算两个高斯模糊图像，并从另一个图像中减去一个图像。 \(\sigma\) 值再次设置为 1、2、4 和 8，因此将 6 个特征图像添加到堆栈中。
膜投影
此操作的初始内核被硬编码为 19x19 零矩阵，中间列边界设置为 1。通过将原始内核旋转 15 度方向总图像旋转 180 度转换来创建多个内核，得到 12 个内核。每个内核与图像进行格式化，然后通过 6 种方法将 12 个集合§§7§§§为单个图像：
-图像每个中的像素总和 -图像每个中像素的操控 -图像每个中像素的标准偏差 -图像每个中像素的中值 -图像每个中的最大像素 -图像每个中的最小像素
因此，6 个结果图像中的每一个都是一个特征。因此，图像中与平均图像强度不同的类似值像素行中的像素将在 Z 投影中移动。
均值、方差、中值、简单、顶点
对距离目标像素 1、2、4 和 8 个像素半径内的像素进行相关操作（简单/简单等），把目标像素设置为该值。
一旦为每个像素每个计算了选定的特征（每个特征存储为单独的图像）并且用户为类别选择了像素集，就可以分类器。
分类器
该插件的分类器是 Fast Random Forest (FRF) 算法，该算法基于（）Random Forest 算法。FRF 算法是第 Weka 中实现的 RF 代码的重新实现。 RF算法使用大量（200）Hessian matrix（CT）来“投票”像素及其相应特征集所属的类别。该算法通过 bootstrapping （带替换的样本）从相同的数据集构建多个树。
一旦根据用户选择的像素（及其相关的特征数据）/类别分配构建了分类器，并且将整个训练图像或新图像准备好进行分类，每个像素就会由所有树进行分类，并被分配给具有最高“票数”的类别。
