FCTN-Decomposition-Code

本周主要是想抓紧把之前TTN和MPO作用batch的思路落实一下，并理解FCTN的matlab代码

目前已经封装好了feature_map、load_xray_image、images_squeeze图片等函数，封装好之后想要可以很方便的调用出来，能够快速处理不同模型的输入。但当务之急还是找到合适的复杂一些的医学数据集，例如脑部数据集。

同时又查了一下downsamples和resize函数的区别。发现这是两种不同的图像维度减少方式，一个是基于线性插值法，一个是从信号系统那里借鉴过来的思想，图像金字塔包括高斯金字塔和拉普拉斯金字塔，它是图像中多尺度表达的一种，最主要用于图像的分割，是一种以多分辨率来解释图像的有效但概念简单的结构。简单来说，图像金字塔就是用来进行图像缩放的。能够有效的用来处理规模比较大的医学数据集，可以尝试用这种方法处理一下。毕竟之前用的都是resize。

上采样：就是图片放大，使用PryUp函数。上采样的步骤：先将图像在每个方向放大为原来的两倍，新增的行和列用0填充，再使用先前同样的内核与放大后的图像卷积，获得新增像素的近似值。

下采样：就是图片缩小，使用PyrDown函数。下采样步骤：先将图片进行高斯内核卷积，再将所有偶数列去除。

resize()函数：CV库的resize参数比较丰富，也经常被用来处理图片，不过不论是skimage、torch或者Opencv的resize，它们都能够提供新维度下像素的计算方式，常见的方法有以下几种

• INTER_NEAREST - 最邻近插值
• INTER_LINEAR - 双线性插值，如果最后一个参数你不指定，默认使用这种方法
• INTER_AREA - 区域插值（使用像素区域关系进行重采样） resampling using pixel area relation. It may be a preferred method for image decimation, as it gives moire’-free results. But when the image is zoomed, it is similar to the INTER_NEAREST method.
• INTER_CUBIC - 三次样条插值 （超过4x4像素邻域内的双立方插值）
• INTER_LANCZOS4 - Lanczos插值（超过8x8像素邻域内的Lanczos插值）

几种常用方法的效率为

最邻近插值>双线性插值>双立方插值>Lanczos插值

但是效率和效果是反比的，所以根据自己的情况酌情使用。若要缩小图像，一般情形下最好用 CV_INTER_AREA 来插值，而若要放大图像，一般情况下最好用 CV_INTER_CUBIC （效率不高，慢，不推荐使用）或 CV_INTER_LINEAR （效率较高，速度较快，推荐使用）。在此前的算法中都是采用了默认的双线性插值法来进行图片的缩放，可以尝试将小波变化、DFT、拉普拉斯变换等操作进行预处理

在回顾TTN代码的时候，遇到了不平衡数据集的问题，又重新将不平衡数据集会带来的问题、误差、解决办法回忆了一边。原来不平衡的数据确实也能产生高的准确率，但这样的准确率是没有意义的。例如说对于癌症的识别，识别的关键就在癌症的识别效果上。可如果数据集不平衡，就可能造成这样的情况，即模型对任意的患者识别为正常，这样也有很高的准确率，但是这样的工作就没有意义了。想到自己之前在写论文的时候，也是不仅采用准确率，而是结合混淆矩阵、敏感度、召回率等进行多角度评估，避免实验特殊性，这一点也是得到了印证。

机器学习中如何处理不平衡数据？

OpenCV计算机视觉学习（7）——图像金字塔（高斯金字塔，拉普拉斯金字塔）