又一个像素分类器(基于深度学习)
yapic的Python项目详细描述
[![生成状态](https://travis-ci.com/yapic/yapic.svg?branch=master)](https://travis-ci.com/yapic/yapic)
#yapic-又一个像素分类器(基于深度学习)
查看[yapic网站](https://yapic.github.io/yapic/)获取文档, 示例和安装说明。
##雅皮克是干什么的?
使用yapic,您可以创建自己的自定义过滤器(我们称之为model或classifier),以增强您选择的特定结构。
例如,我们可以训练一个在彩色图像中检测橡树叶的模型,并使用这个橡树叶模型过滤掉所有不被橡树叶覆盖的图像区域:
啊![](docs/img/oak_example.png“橡树叶分类器示例”)
- 属于其他叶类型的像素 或者根本没有叶子被抑制,它们在输出图像中看起来很暗。
- 属于橡树叶的像素被增强,它们在输出图像中显得明亮。
输出图像也称为pobability map,因为每个像素的强度对应于属于橡树叶区域的像素的概率。
您可以为您感兴趣的几乎任何结构训练模型,例如检测特定细胞类型的组织学显微照片(此处:人脑的浦肯野细胞):
啊![](docs/img/histo_example.png“Purkinje单元分类器示例”) 组织学数据由奥利弗·考特提供(波恩大学临床,神经科)
我们使用yapic分析各种显微镜图像数据。我们的实验主要涉及神经生物学、细胞生物学、组织病理学和药物发现(高含量筛选)。 然而,yapic是一个非常普遍适用的工具,可以应用于非常不同的领域。它可用于探测卫星图像中的森林区域、景观照片中的云层或食品摄影中的煎蛋。
##关于我们 ![dzne](docs/img/dzne-cmyk-e.png)<;!–.element height=“50%”width=“50%”–gt;
yapic是由德国神经退行性疾病中心的核心研究机构开发的。