cinderella1001/liver_classfication_and_enhancement-main

Liver_Classfication_and_enhancement-main

使用AlexNet、GoogLeNet、ResNet完成图像分类任务，正确率分别达到98.57%、99.21%、99.43%；使用RGHS完成对图像亮度的增强，转成CIE-Lab颜色模型完成颜色的均衡，使得图像的可视化效果更好

项目文件介绍

• data 数据
  • train_set 训练数据包含六种类别（4、58、67、123、1234、5678）
  • test_set 测试数据包含六种类别
• enhance_after_data\RGHS 增强后的图像
• enhance_before_data 增强前的图像
• RGHS 增强部分的代码
  • main.py 主函数
  • global_Streching_RGB.py 进行图像的归一化
  • stretchRange.py 确定图像直方图需要保留的范围
  • relativeglobalhistogramstreching.py RGHS进行直方图伸缩
  • global_StrechingL.py 和上面的函数二选一，进行直方图伸缩
  • LabStreching.py 颜色均衡的主函数
  • global_streching_ab.py 按照s模型进行颜色均衡
• net 分类使用的网络模型
  • alexnet.py
  • googlenet.py
  • resnet.py
  • unet.py（实际没用到）
• results 分类网络训练和测试的运行记录
• weight 分类网络预训练模型
• class_indices.json 六种分类对应的下标映射
• dataset.py 数据预处理
• eval_map.py mAP指标的计算过程
• train.py 分类网络模型的训练
• test.py 分类网络模型的测试
• utils.py 一些工具函数， 比如获取模型参数、获取图像路径和分类

项目运行环境配置

CPU

• pytorch 3.6.5
• opencv-python 1.19.5

GPU（分类）

pytorch==1.11 py3.8_cuda11.3_cudnn8.2.0

分类网络运行参数

python train.py 或 python test.py

• --model 指定使用哪一个网络模型，默认是“resnet”，取值有{“resnet”，“googlenet”，“alexnet”}
• --weights 分类模型的预训练路径，需要时指定
• --device 分类模型运行设别，默认是“cuda:0”
• --num_classes 分类数，默认是6
• --epochs 迭代次数，默认是50
• --batch-size batch大小，默认是8
• --lr 学习率，默认是5e-4
• --wd 权重衰减率，默认是5e-2
• --train-set 训练集路径，默认是“data/train_set”
• --test-set 测试集路径，默认是“data/test_set”