Awesome

OCT-classification

运行环境

• MATLAB R2017a
• Python 3.7
• Pytorch 1.1.0
• 原数据集
• 处理后数据集 提取码：psgi

代码结构

• BM3D
  • BM3D.m
    • MATLAB版本BM3D去燥程序
  • BM3D_progress.m
    • 该代码加载数据集，选择处理的图片路径和数量
• ImageProcess
  • ImagePreprocess.py
    • 图像预处理程序
  • BM3D.py
    • Python版本BM3D去燥程序
  • Binaryzation.py
    • 图像填充，阈值过滤
  • MedianFilter.py
    • 中值滤波，保留图像最大连通域
  • MorphologicalOpening.py
    • 形态学开运算
  • MorphologicalClosing.py
    • 形态学闭运算
  • Fitting.py
    • 线性拟合和二阶多项式拟合
  • Normalization.py
    • 归一化，裁剪
• FeatureExtraction
  • SIFT.py
    • 使用SIFT和K-Means方法进行特征提取，训练支持向量机、随机森林进行图像分类
  • Predict.py
    • 支持向量机、随机森林进行图像分类预测
• ResNet
  • base_dataset.py + 该python代码是为了加载数据集。将图片载入训练预测试。
  • test.py
    + 测试集相关代码
  • train.py + 训练训练集相关代码
  • utils.py + 显示运行结果的画图的相关函数

代码运行

• BM3D

  • 修改 BM3D_progress.m 文件中需要处理的文件目录和文件数量
  • 命令行运行： matlab -nosplash -nodesktop -r BM3D_progress
  • 或启动MATLAB，运行 BM3D_progress.m

• ImageProcess

  • 修改ImagePreprocess.py文件中需要处理的文件目录和文件数量
  • 运行：python ImagePreprocess.py

• FeatureExtraction

  • 使用SIFT和K-Means方法进行特征提取，导出字典（训练集不变时可以导入历史字典进行训练），训练支持向量机和随机森林，导出模型
  • 运行：python SIFT.py
  • 导入字典和模型进行测试
  • 运行：python Predict.py

• PCANet

  • 修改图片路径 OCT_classification.m
  • 运行： OCT_classification.m

• ResNet

  • 训练

    运行：python train.py

  • 测试

    运行：python test.py

  • ResNet数据集说明

    • 为区分图片标签，程序需要从文件夹名来确定图片类型，所有数据集的结构类型应该为

    • ├─datas
      │  ├─train_data	
      │  │ ├─CNV
      │  │ ├─DME
      │  │ ├─DRUSEN
      │  │ ├─NORMAL
      │  ├─test_data		
      │  │ ├─CNV
      │  │ ├─DME
      │  │ ├─DRUSEN
      │  │ ├─NORMAL
      │  ├─val_data	
      │  │ ├─CNV
      │  │ ├─DME
      │  │ ├─DRUSEN
      │  │ ├─NORMAL
      

    • 代码运行时，需要将test.py和train.py的data_dir = '../datas/'设置为你自己存储的训练集和测试集的数据集路径，val_data文件夹中需要存出一些图片来作为每一次训练之后的测试图片，以此来估算分析训练的效果，可以任意设置。

目录结构

├─OCT              	 	// OCT图像分类程序 
│  ├─BM3D				// BM3D去燥程序         
│  ├─ImageProcess		// 图像预处理    
│  ├─FeatureExtraction	// 使用SIFT和K-Means方法进行特征提取，支持向量机、随机森林进行图像分类
│  ├─PCANet				// PCANet特征提取,支持向量机进行图像分类
│  └─ResNet				// 残差神经网络（ResNet34）对图像进行分类
├─README.md				// README
├─实训报告               // 小组实训报告 
├─期末总结	         	 // 期末总结PPT