核分割

项目概述 本项目提出一种通用的白细胞 (WBC) 核分割算法，并通过四个公开数据集验证其有效性。项目首先通过统计细胞核与白细胞比例确定白细胞的位置，然后设计了一种新的卷积神经网络 (CNN) 模型，对四类定位和裁剪后的白细胞图像进行分类。 代码资源 WBC 核分割、定位和裁剪方法代码: wbc_nucleus_seg_localz 目录 裁剪后的 WBC 图像数据集生成、CNN 模型训练和训练后模型推断代码: wbc_classify_cnn_model 目录 环境要求 推荐使用 MATLAB 2017a、2019a 或更高版本运行代码。

我创建了一个函数来实现模糊核聚类算法，用于多模型控制建模。尽管建模没有成功，但该聚类算法运行良好。

聚类分析中的分割聚类技术 数据挖掘算法中的一种聚类方法

Matlab开发：核方法工具箱，专为非线性信号处理和机器学习而设计。

这个功能利用核平滑函数计算每个点的概率密度估计（PDE），并且用颜色表示每个点。输入x表示X轴上的位置，y表示Y轴上的位置。varargin可用于向scatter函数发送一组指令，支持MarkerSize参数，不支持MarkerColor参数。输出h返回创建的散点对象的句柄。例如，生成数据x = normrnd(10, 1, 1000, 1); y = x * 3 + normrnd(10, 1, 1000, 1); 使用scatter_kde(x, y, '填充', 'MarkerSize', 100); 添加颜色栏cb = colorbar(); cb.Label.String = '概率

模式的核方法，算是模式识别圈子里一个还蛮实用的参考资源了。里面不仅把核函数的原理讲清楚了，还顺带提了不少适合实战的算法思路。像你要搞机器学习或者玩神经网络那块，用得着的时候真不少。 书分三块：概念、算法、核函数，结构挺清晰。尤其是对一些搞生物信息学或文档检索的朋友来说，里面的例子和逻辑，都挺接地气的。不是那种绕来绕去说半天不落地的风格，读起来不累。 用核方法搞模式识别时，经常会遇到算法难以调参或者精度不高的问题。书里对核技巧的实用建议值得参考，比如怎么选择合适的核函数，怎么在支持向量机中嵌套它，讲得还算透。建议你边读边试几个例子，理解更快。 如果你平时写代码喜欢用MATLAB、C++这种，下面

功能简介 该C++库为图像分割任务提供高效的层次树分割算法。它基于以下论文的研究成果，并使用C++11标准进行开发： T. Liu, C. Jones, M. Seyedhosseini, T. Tasdizen. A modular hierarchical approach to 3D electron microscopy image segmentation. Journal of Neuroscience Methods, 226, pp. 88-102, 2014. T. Liu, E. Jurrus, M. Seyedhosseini, T. Tasdizen. Watersh

针对传统判别算法对数据分布类型假定的局限，提出采用非参核密度算法建立多维数据的判别规则。该算法充分利用样本信息，显著提高判别精度，且不受分布假定的限制。

支持向量机的 MATLAB 程序集，用起来还挺顺手的，是你想搞清楚SVM怎么配合核函数来分类时。这套代码不仅把核心的数学部分实现得比较扎实，还顺带搭了个和K-means 聚类联动的示例，挺有意思的。 核函数的比较全面，像是常见的线性核、高斯核（也叫 RBF）、多项式核这些都有涉及。举个例子，高斯核主要是通过计算点之间的距离，让数据在高维里“变得可分”，这招在实际中还蛮常用的。 SVM-KMExample里有结合聚类做的训练例子，一开始用 K-means 做初步分簇，再把这些结果丢给 SVM 来分类。嗯，思路还挺实用的，适合数据前阶段试试。代码大多基于矩阵运算，用的是 MATLAB 擅长的那一套

通过MRI图像识别脑肿瘤，首先去除无关部分，使用各向异性扩散过滤器去除噪声，再通过快速边界盒算法识别肿瘤边界，使用支持向量机对边界分类，提取出肿瘤。