我已经使用slic聚类算法来创建生物医学图像（生物医学成像专家的整个幻灯片图像）的超像素。我想为超像素提取不同的特征，纹理和空间，以创建特征表示，然后将其输入到分类器（SVM，RF）中，以尝试对每个超像素进行分类，因为我有每个像素的标签。最终目标是对每个超像素进行分类，然后使用它来构建细分。
对于每个超像素，我会根据所有超像素的平均高度和宽度在其周围绘制一个尺寸一致的边界框，因为尺寸的分布在平均值附近相当尖峰（有些会被切掉一些小部分，而其他会包括一些填充。我有几个问题
关于每个超像素的gabor滤波器，我得到了一个gabor特征，并为其每个单独像素提供了一个值，然后取这些像素的平均值，以获得一个超像素gabor特征值。这是正确的方法吗？下面的代码
def getGabor(img, ksize, sigma, theta, lamda, gamma, l, ktype):
kernel=cv2.getGaborKernel((ksize, ksize), sigma, theta, lamda, gamma, l, ktype=ktype)
fimg = cv2.filter2D(img, cv2.CV_8UC3, kernel)
filteredImage=fimg.reshape(-1)
return filteredImage
def getGabors(img):
ksize=5
thetas = list(map(lambda x: x*0.25*np.pi, [1, 2]))
gabors=[]
for theta in thetas:
for sigma in (1,3):
for lamda in np.arange(0, np.pi, np.pi*0.25):
for gamma in (0.05, 0.5):
gabor = getGabor(img.reshape(-1), ksize, sigma, theta, lamda, gamma, 0, cv2.CV_32F) .
gabors.append(np.mean(gabor))
return gabors
HOG如何使用？我将采用平均特征向量的相同方法，如何避免HOG描述符过大？
将超像素输入CNN以学习特征表示是否明智？
如果有人在处理其他有用的图像特征描述符之前，没有对其他有用的图像特征描述符提出任何建议，那么这会是处理数据类型的好方法吗？]]
关于构建特征或要为超像素查看什么样的特征的任何建议，将不胜感激！
谢谢
我已经使用slic聚类算法来创建生物医学图像（生物医学成像专家的整个幻灯片图像）的超像素。我想提取不同的特征，纹理和空间...
我不确定医学图像分割技术的最新发展，但是在所有深度学习模型出现之前，超像素，HOG和gabor肯定听起来像2012年前的特征工程方法。结果必然在很大程度上取决于超像素分割图像的方式（可能不太鲁棒）。