Andere Kunden interessierten sich auch für
![Überwachung der Fahrzeuggeschwindigkeit]( "Überwachung der Fahrzeuggeschwindigkeit")
Überwachung der Fahrzeuggeschwindigkeit43,90 €![Automatische Erkennung von Hautkrebs]( "Automatische Erkennung von Hautkrebs")
Automatische Erkennung von Hautkrebs60,90 €![Automatische Klassifizierung von erdbebenbedingten Gebäudeschäden]( "Automatische Klassifizierung von erdbebenbedingten Gebäudeschäden")
Automatische Klassifizierung von erdbebenbedingten Gebäudeschäden55,90 €![INTELLIGENTES DIGITALES WASSERMANAGEMENT-SYSTEM]( "INTELLIGENTES DIGITALES WASSERMANAGEMENT-SYSTEM")
INTELLIGENTES DIGITALES WASSERMANAGEMENT-SYSTEM43,90 €![ABSCHÄTZUNG UND REDUZIERUNG VON LÄRM]( "ABSCHÄTZUNG UND REDUZIERUNG VON LÄRM")
ABSCHÄTZUNG UND REDUZIERUNG VON LÄRM43,90 €![Bildklassifizierung mit Deep Learning und Schwarmintelligenz]( "Bildklassifizierung mit Deep Learning und Schwarmintelligenz")
Bildklassifizierung mit Deep Learning und Schwarmintelligenz54,90 €![ERKENNUNG VON BRUSTKREBS - EIN MASCHINELLES LERNEN ANSATZ]( "ERKENNUNG VON BRUSTKREBS - EIN MASCHINELLES LERNEN ANSATZ")
ERKENNUNG VON BRUSTKREBS - EIN MASCHINELLES LERNEN ANSATZ43,90 €
Dieses Buch befasst sich mit der Entwicklung eines intelligenten Brustkrebs-Identifizierungssystems (ICBIS) auf Basis von Bildverarbeitungstechniken und neuronalen Klassifikatoren. In letzter Zeit haben viele Forscher Bilderkennungssysteme zur Klassifizierung von Brustkrebstumoren entwickelt, die verschiedene Bildverarbeitungs- und Klassifizierungstechniken verwenden. Die Herausforderung besteht darin, die tatsächlichen Merkmale zu extrahieren, die gutartige und bösartige Tumore unterscheiden. Die Klassifizierung von Brustkrebsbildern erfolgte anhand der Form- und Texturmerkmale der Bilder. Asymmetrie, Rundheit, Intensitätsstufen und weitere Merkmale sind die genauen Form- und Texturmerkmale, die die beiden Arten von Brusttumoren unterscheiden. Bildverarbeitungstechniken werden eingesetzt, um Tumore zu erkennen und den interessierenden Bereich aus dem Mammogramm zu extrahieren. Zur Erkennung von Bildern wurden die folgenden Datenverarbeitungsvorgänge durchgeführt: Schwellenwertbildung, Filterung und Anpassungen, Canny-Kantenerkennung und einige morphologische Operationen. Anschließend werden Form- und Texturmerkmale mit Hilfe des GLCM-Algorithmus (Gray-Level Co-Occurrence Matrix) extrahiert, um die Mammogramme genau in normale, gutartige und bösartige Tumore zu klassifizieren.