Andere Kunden interessierten sich auch für
![Aspectos de los elementos estructurantes en la segmentación morfológica de imágenes]( "Aspectos de los elementos estructurantes en la segmentación morfológica de imágenes")
Aspectos de los elementos estructurantes en la segmentación morfológica de imágenes36,99 €![Una guía completa para Segmentación de imagen Con códigos de Matlab]( "Una guía completa para Segmentación de imagen Con códigos de Matlab")
Una guía completa para Segmentación de imagen Con códigos de Matlab41,99 €![Dominio de las imágenes hiperespectrales mediante ML y características espaciales-espectrales]( "Dominio de las imágenes hiperespectrales mediante ML y características espaciales-espectrales")
Dominio de las imágenes hiperespectrales mediante ML y características espaciales-espectrales41,99 €![Clasificación de cultivos frutales mediante técnicas de aprendizaje automático]( "Clasificación de cultivos frutales mediante técnicas de aprendizaje automático")
Clasificación de cultivos frutales mediante técnicas de aprendizaje automático26,99 €![Coloración de imágenes mediante la técnica de coincidencia de parches a escala cruzada]( "Coloración de imágenes mediante la técnica de coincidencia de parches a escala cruzada")
Coloración de imágenes mediante la técnica de coincidencia de parches a escala cruzada27,99 €![MARCADO DE AGUA DE IMÁGENES DIGITALES CON MATLAB]( "MARCADO DE AGUA DE IMÁGENES DIGITALES CON MATLAB")
MARCADO DE AGUA DE IMÁGENES DIGITALES CON MATLAB26,99 €![Algoritmo SPIHT mejorado con DWT para la compresión de imágenes]( "Algoritmo SPIHT mejorado con DWT para la compresión de imágenes")
Algoritmo SPIHT mejorado con DWT para la compresión de imágenes36,99 €
En relación con la detección de la localización del tumor, se presenta un método novedoso basado en la transformada de paquetes wavelet. En relación con la extracción de tumores, se proponen dos métodos estratégicos. Uno utiliza el algoritmo K-Means genético. Se realiza un plan estratégico para introducir una nueva función de adecuación basada en errores en el algoritmo genético. Su rendimiento es notable en imágenes que contienen regiones tumorales no continuas. El segundo método utiliza un modelo de contorno activo basado en regiones. Adapta un plan estratégico para restringir la energía del contorno. Los resultados muestran que el método propuesto supera a algunos de los métodos existentes que abordaron los retos de la segmentación multimodal de tumores cerebrales (MICCAI). Para segmentar los componentes tumorales se utiliza un gráfico de adyacencia regional (RAG) y una novedosa técnica de injerto que imita el proceso de injerto en horticultura y reglas estadísticas.