显微外周血细胞图像数据

正常外周血数据集包含总共 17,092 个单个细胞的图像，这些图像是使用分析仪 CellaVision DM96 采集的。 所有图像均在颜色空间 RGB 中获得。 图像的格式和大小分别为 jpg 和 360×363 像素，由医院诊所的临床病理学家标记。

数据集特点：

• 该数据集在基于显微图像的血液学诊断领域非常有用，因为图像具有高质量标准，已由临床病理学专家进行注释，并涵盖了广泛的正常外周血细胞类型。
• 该数据集可用于执行机器和深度学习模型的训练和测试，以自动分类外周血细胞。
• 该数据集可用作模型基准测试和比较的公共规范图像集。
• 该数据集可用作模型权重初始化器。这意味着使用可用的图像来预训练学习模型，可以进一步训练来分类其他类型的异常细胞。

您可以看到以下内容： 背景颜色以及主要目标对象颜色在大多数情况下是相同的（但并非总是如此）！ 为了更好地理解为什么这为我们提供了颜色值工程的机会，让我们来看看这些图像占据的 RGB 颜色空间。

这是原始数据集相同 RGB 颜色空间上的三个不同视图。 你可以看到，这个数据集只覆盖了整个立方体的一小部分，即所有 16'777'216 个可能的颜色值。 这为我们现在提供了三个独特的机会：

• 我们可以通过将 RGB 颜色转换为灰度图像来降低图像复杂性。
• 我们可以重新对齐和拉伸颜色值，以便 RGB 值更好地填充 RGB 颜色空间。
• 我们可以重新调整颜色值的方向，使三个立方体轴延伸到最大方差的方向。这最好通过主成分分析(PCA)方法完成。

图像颜色增强

灰度变换

示例：

from skimage.color import rgb2gray

X_tr_gray = rgb2gray(X_tr)[..., None]
X_va_gray = rgb2gray(X_va)[..., None]
X_te_gray = rgb2gray(X_te)[..., None]

gmin_tr = X_tr_gray.min()
X_tr_gray -= gmin_tr
X_va_gray -= gmin_tr
X_te_gray -= gmin_tr

gmax_tr = X_tr_gray.max()
X_tr_gray /= gmax_tr
X_va_gray /= gmax_tr
X_te_gray /= gmax_tr

X_va_gray = np.clip(X_va_gray, 0, 1)
X_te_gray = np.clip(X_te_gray, 0, 1)

X_tr_show = np.concatenate([X_tr_gray, X_tr_gray, X_tr_gray], axis=-1)

for i, view in enumerate([[-45, 10], [40, 80], [60, 10]]):
    ax = fig.add_subplot(1, 3, i + 1, projection="3d")
    ax.scatter(X_grays[:, 0], X_grays[:, 1], X_grays[:, 2], facecolors=X_grays, s=2)
    ax.set_xlabel("R")
    ax.set_ylabel("G")
    ax.set_zlabel("B")
    ax.xaxis.set_ticklabels([])
    ax.yaxis.set_ticklabels([])
    ax.zaxis.set_ticklabels([])
    ax.view_init(azim=view[0], elev=view[1], vertical_axis="z")
    ax.set_xlim(0, 1)
    ax.set_ylim(0, 1)
    ax.set_zlim(0, 1)
plt.suptitle("Colors in Grayscale space", fontsize=20)
plt.show()

颜色重新对齐和拉伸

主成分分析(PCA)变换

特征相关性