پروژه آموزشی پیش پردازش و تقسیم بندی تصاویر پزشکی با متلب

توضیحات

پیش پردازش و تقسیم بندی تصاویر پزشکی با متلب

در این پروژه تصاویر مربوط به سرطان توسط متلب پیش پردازش و قطعه بندی میشوند.

استخراج بردارهای ویژگی:
ابتدا بردارهای ویژگی از تصاویر سرطانی و غیر سرطانی استخراج می‌شوند. تصاویر پایگاه داده Dataset  در دو فولدر positive (تصاویر غیر سرطانی) و فولدر negative (تصاویر سرطانی) قرار دارند. در پایگاه داده num_pos=130 تصویر غیر سرطانی و num_neg=120 تصویر سرطانی وجود دارد.   melanoma =سرطانی  /  non-melanoma =غیر سرطانی
بردارهای ویژگی به‌صورت یک ماتریس Feature=[]   با اندازه‌های nxm استخراج می‌شوند. ستون‌های ماتریس بردارهای ویژگی، متناظر با تصاویر است و سطرهای ماتریس، متغیرهای بردار ویژگی می‌باشند. n برابر با تعداد کل تصاویر موجود در پایگاه داده است n=num_pos+num_neg و m تعداد عناصر بردار ویژگی می‌باشد.  برای طبقه‌بندی تصاویر یک بردار ستونی شامل برچسب‌های صحیح تصاویر تعریف می‌کنیم. برای تصاویر مثبت برچسب 1 و برای تصاویر منفی برچسب 0 را در سطرهای متناظر با تصاویر موردنظر قرار می‌دهیم:

ما دو ماتریس ویژگی متفاوت از تصاویر استخراج می‌کنیم و عملکرد هرکدام را در طبقه‌بندی تصاویر زخم پوست مقایسه می‌کنیم. تابع Feature1 ویژگی تبدیل ویولت، تابع Feature2 ویژگی‌های هندسی و رنگ مربوط به ناحیه‌های زخم پوست را استخراج می‌کنند.
1-در استخراج ویژگی تبدیل ویولت (Feature1) برای هر تصویر ورودی ، 4 کانال تصویر (R,G,B,gray) داریم و از هر تصویر 8 ویژگی آماری استخراج می‌شود. برای هر کانال تصویر، تجزیه ویولت تا 4 سطح  انجام می‌شود. در هر سطح از تجزیه ویولت، 4  ماتریس ضرایب ویولت داریم و از هر ماتریس 8 ویژگی آماری استخراج می‌شود. بنابراین تعداد کل عناصر بردار ویژگی برابر (4+4*4*4)*8=544  خواهد بود.
2-در استخراج ویژگی‌های هندسی و رنگ (Feature2) برای هر تصویر ورودی برداری با  28 عنصر استخراج می‌شود.

پیش پردازش و تقسیم بندی تصاویر پزشکی با متلب  توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.