基于动态筛选策略的SMO改进算法

提出了一种基于动态筛选策略的SMO(Sequential Minimal Optimization)改进算法,它能快速地筛选出绝大多数的边界支持向量和非支持向量,并将非边界支持向量限定在很小的范围内。仿真实验结果表明:样本规模无论大小,这种策略都能使Keerthi的改进算法2的性能得到大幅提升。     

基于卷积神经网络的细胞图像分割与类型判别

组织细胞图像形态各异、大小不一、纹理变化多样等特点,导致难以精准地分割细胞区域的问题,对此提出了一种基于卷积神经网络(CNN)和边缘聚类方法的新算法.对原始切片采用染色校正预处理,提高色彩对比度,利用CNN得到初步分割结果,结合边缘聚类方法提升初步分割结果的连续性和完整性.在此基础上,结合计算机视觉技术,获得分割图像中细胞颗粒的基本属性特征,并使用Softmax分类器判别细胞类型.实验结果表明:相较于经典的卷积神经网络、阈值分割、模糊聚类等细胞图像分割算法,该算法在分割结果的完整度方面提升了6.15个百分点.