低秩判别性字典学习及组织病理图像分类算法

发布时间：2021-06-28 08:25

　　针对组织病理图像分类中样本特征之间具有高度相关性的问题,本文提出了一种基于低秩约束的判别性字典学习算法,并将其应用于组织病理图像分类.与传统算法仅仅关注稀疏编码的低秩性不同,本文算法不仅同时优化了子字典对同类和非同类训练样本的重构性能,而且对类独有的子字典增加了低秩性约束.这一策略可以降低类独有的子字典原子之间的相似性,促进原子之间相互独立,从而学习出更具判别性、结构更紧凑的字典.在ADL数据集上的实验结果表明,与现有算法相比,本文提出的算法可获得更高的分类精度. 

【文章来源】：小型微型计算机系统. 2019,40(09)北大核心CSCD

【文章页数】：5 页

【部分图文】：

ＲCDDL算法整体流程Fig．1OverallflowoftheLＲCDDLalgorithm

【参考文献】：
期刊论文
[1]基于互信息的多通道联合稀疏模型及其组织病理图像分类[J]. 汤红忠,李骁,张小刚,张东波.  计算机辅助设计与图形学学报. 2018(08)
[2]联合字典鲁棒稀疏表示的多聚焦图像融合[J]. 杨勇,吴嘉骅,黄淑英,阙越.  小型微型计算机系统. 2018(08)
[3]Fisher准则下面向判别性特征的字典学习方法及其组织病理图像分类研究[J]. 汤红忠,李骁,张小刚,张东波,王翔,毛丽珍.  自动化学报. 2018(10)
[4]一种基于低秩表示的子空间聚类改进算法[J]. 张涛,唐振民,吕建勇.  电子与信息学报. 2016(11)
[5]基于局部图拉普拉斯约束的鲁棒低秩表示聚类方法[J]. 李波,卢春园,冷成财,金连宝.  自动化学报. 2015(11)



本文编号：3253979