因為分子分型的分類效果不好，所以考慮重新提取特徵，而且想到老師要求最後給他乙個toolbox，所以這裡順便對醫學上的放射組學特徵進行簡單的小結
它們用於影象紋理特徵的描述（雖然這個描述對我而言很尷尬，表現在分類效能不佳，當然可能是我的開啟方式不對(；′⌒`)
然而它還在用的原因是....它在醫學上具有可解釋型...（呸）
首先他們基於roi區域i構造了許多不同的矩陣用來描述畫素的分布/關聯
1)灰度共生矩陣(glcm)
灰度共生矩陣是通過不同角度下中兩畫素值的位置關係來決定的
如下圖所示，左邊i是原圖，我們選擇水平角度（0度）構造灰度共生矩陣，glcm[i,j]表示的就是距離為i的畫素點他們在i上的畫素點差值為j-1的個數
之後我們便可以基於glcm矩陣計算如下所示一系列特徵
我們象徵性的對一部分特徵給出解釋（鑑於分類效能不好，連帶著覺得這種解釋特別...強行...(t_t)
variance：影象灰度變化大的時候，variance表現得較大
homogeneity：影象區域性灰度均勻的度量，如果區域性均勻，則該值較大
contrast：度量區域性灰度變化，變化大則影象表現清晰，同時該值表現較大
dissimilarity：與contrast所表達含義類似，只不過這個是線性增加
entropy：表徵紋理複雜度，若越大則紋理越複雜
2)灰度行程矩陣（glrlm，我不造這個中文翻譯對不對啊，如果不對望告知）
灰度行程矩陣用於描述畫素值的分布
下圖左邊是原圖i，右圖是0度構造的灰度共生矩陣，glrlm[i,j]表示的是畫素值為0度方向上連續j個i在原圖i中出現的次數
我們可以提取如下特徵
gld：度量灰度是否均勻，越大越均勻
rld：度量灰度行程是否均勻，越小越均勻
簡言之，感覺紋理特徵，就是構造矩陣來表達畫素的分布/相關性，然後通過統計值來描述它
當然上面講的是統計型的紋理特徵，除了這些還可以用lbp運算元來描述影象的紋理特徵（搜資料的時候發覺還有這玩意...沒用過啊...
鑑於沒用過我們直接貼上rachel-zhang給的定義好了，如有侵權望告知
首先將檢測視窗劃分為16×16的小區域（cell），對於每個cell中的乙個畫素，將其環形鄰域內的8個點（也可以是環形鄰域多個點，如圖 3‑4. 應用lbp演算法的三個鄰域示例所示）進行順時針或逆時針的比較，如果中心畫素值比該鄰點大，則將鄰點賦值為1，否則賦值為0，這樣每個點都會獲得乙個8位二進位制數（通常轉換為十進位制數）。然後計算每個cell的直方圖，即每個數字（假定是十進位制數）出現的頻率（也就是乙個關於每乙個畫素點是否比鄰域內點大的乙個二進位制序列進行統計），然後對該直方圖進行歸一化處理。最後將得到的每個cell的統計直方圖進行連線，就得到了整幅圖的lbp紋理特徵，然後便可利用svm或者其他
演算法進行分類了。
看了一下這個定義感覺算出來的維度挺高的，乙個16×16的cell會算出256維特徵，有點像hog，但是估計自己的實驗裡也用不上，因為這種即使有好的分類效能也不好解釋= =哎（我難過的是放棄你放棄愛放棄的夢被打碎~忍住悲哀~(；′⌒`)
紋理特徵簡介
紋理的定義 紋理是一種反映影象中同質現象的視覺特徵，它體現了物體表面的具有緩慢變化或者週期性變化的表面結構組織排列屬性。紋理具有三大標誌 某種區域性序列性不斷重複 非隨機排列 紋理區域內大致為均勻的統一體。紋理不同於灰度 顏色等影象特徵，它通過畫素及其周圍空間鄰域的灰度分布來表現，即 區域性紋理資訊...
紋理特徵簡介
紋理的定義 紋理是一種反映影象中同質現象的視覺特徵，它體現了物體表面的具有緩慢變化或者週期性變化的表面結構組織排列屬性。紋理具有三大標誌 某種區域性序列性不斷重複 非隨機排列 紋理區域內大致為均勻的統一體。紋理不同於灰度 顏色等影象特徵，它通過畫素及其周圍空間鄰域的灰度分布來表現，即 區域性紋理資訊...
LBP紋理特徵
一幅的特徵 紋理特徵 顏色特徵 形狀特徵 空間關係特徵。這裡說記錄一下紋理特徵 lbp local binary pattern 指區域性二值模式，是一種用來描述影象區域性紋理特徵的運算元，lbp特徵具有灰度不變性和旋轉不變性等顯著優點。它是由t.ojala,m.pietik inen,和 d.ha...