基于张量的图像分割

Question

我试图看到使用TensorFlow识别图像数据中特征的可行性。我有50x50px灰度图像的细胞核，我想分割-期望的输出将是0或1为每个像素。0为背景，1为核心。

示例输入：raw input data

示例标签（标签/实际答案是什么）：output data (label)

甚至可以使用TensorFlow在我的数据集上执行这种类型的机器学习吗？我可能会有成千上万的图像用于训练集。

很多例子都有一个对应于一个类别的标签，例如手写数字数据集的10个数字数组[0,0,0,0,0,0,0,0,0,0,0]，但是我没有看到很多例子会输出一个更大的数组。我假设标签是50x50数组？

另外，对于这次分析的CPU处理时间有什么想法吗？

Answer 1

尝试对模型使用卷积滤波器。卷积层和下采样层的叠加。输入应为标准化像素图像，输出应为遮罩。最后一层应该是softmaxWithLoss。哦。

Answer 2

SoftmaxWithLoss（）适用于图像分割问题，如果您将预测的标签和真标签映射从[批处理，高度，宽度，通道]重塑为[N，通道]。

在您的情况下，最终预测的映射将是channel=2，在重新整形之后，N=batchheightwidth，然后您可以在tensorflow中使用SoftmaxWithLoss（）或类似的loss函数来运行优化。

请参阅this question这可能有帮助。

Answer 3

是的，这在TensorFlow中是可能的。事实上，有很多方法可以解决这个问题。这里有一个非常简单的例子：

把这看作是一个二进制分类任务。每个像素都需要分类为前景或背景。选择一组用于对每个像素进行分类的特征。这些特征可以是局部特征（例如问题像素周围的补丁）或全局特征（例如像素在图像中的位置）。或者两者的结合。

然后在此数据集上训练您选择的模型（例如NN）。当然，您的结果将在很大程度上取决于您对功能的选择。

---

如果可以使用TensorFlow提供的原语将计算表示为计算图，则还可以使用graph-cut approach。然后，您可以不使用TensorFlow的优化函数，如backprop，或者如果您的计算中有一些可微变量，您可以使用TF的优化函数来优化这些变量。