EBImage 特征名称

Question

谁能解释在computeFeatures 中使用什么来计算不同的特征？

我得到了? computeFeatures 中所应用的命名约定。我不明白.0.、.a. 和.Ba. 标签。

例如：

> library(EBImage)
> y = readImage(system.file("images", "nuclei.tif", package="EBImage"))[,,1]
> x = thresh(y, 10, 10, 0.05)
> x = opening(x, makeBrush(5, shape='disc'))
> x = bwlabel(x)
> ft = computeFeatures(x, y, xname="nucleus")
> colnames(ft)
 [1] "nucleus.0.m.cx"            "nucleus.0.m.cy"           
 [3] "nucleus.0.m.majoraxis"     "nucleus.0.m.eccentricity" 
<snip>
[11] "nucleus.0.s.radius.max"    "nucleus.a.b.mean"         
[13] "nucleus.a.b.sd"            "nucleus.a.b.mad"          
<snip>
[51] "nucleus.Ba.b.mean"         "nucleus.Ba.b.sd"          
[53] "nucleus.Ba.b.mad"          "nucleus.Ba.b.q001"        
[55] "nucleus.Ba.b.q005"         "nucleus.Ba.b.q05"  
<snip>       

我的猜测是nucleus.0.* 功能仅使用来自x 中包含的二进制掩码的数据。所以nucleus.0.m.cy 是使用二进制数据计算的 y 轴质心。还有nucleus.a.m.cy 和nucleus.Ba.m.cy，但不清楚这些计算有何不同（它们非常相关但不完全相同）。

我还假设.a. 和.Ba. 使用y 中的强度值，但细节很模糊。 nucleus.a.b.mean 和 nucleus.Ba.b.mean 等功能相似（~.80 corr）但不一样。我假设他们估计了由x 中的标签定义的对象的平均y 强度，但差异尚不清楚。

有这方面的文档吗？

谢谢，

最大

> 会话信息（） R 开发中（不稳定）（2014-08-23 r66461） 平台：x86_64-apple-darwin10.8.0（64位） 语言环境： [1] en_US.UTF-8/en_US.UTF-8/en_US.UTF-8/C/en_US.UTF-8/en_US.UTF-8 附加的基础包： [1] stats graphics grDevices utils datasets methods base 其他附加包： [1] EBImage_4.7.16 通过命名空间加载（未附加）： [1] abind_1.4-0 BiocGenerics_0.11.4 grid_3.2.0 [4] jpeg_0.1-8 lattice_0.20-29 locfit_1.5-9.1 [7] 并行_3.2.0 png_0.1-7 tiff_0.1-5 [10] 工具_3.2.0

Answer 1

你看过这里的文档吗：AnalysisWithEBImage

这似乎是讨论包的最深入的文档。您是否尝试过直接联系作者 Grégoire Pau？我确定如果你用谷歌搜索他，你可以找到他。

Answer 2

作为免责声明，我对您的领域一无所知，但通过查看函数，我可以很好地猜测发生了什么。我建议您使用debugonce(computeFeatures)，然后运行ft = computeFeatures(x, y, xname="nucleus")。您可以单步执行每一行代码（键入Q）退出，看看发生了什么。

如您所述，文档指出：

特征被命名为 x.y.f，其中 x 是对象层，y 是 参考图像层和特征名称。

在您的示例中，computeFeatures 为 三个 参考层（a、aB 和 0）生成了值。文档提到，如果您不命名参考层，它们只会被赋予字母表中的字母，因此在您的情况下，您有一个参考层，它被称为a。我相信0 表示它使用no 参考层。

从查看源代码看来，对于每一层i，都会创建一个 B_i 层。正如您在这段代码中看到的那样，它似乎在每一层上传递了一个硬编码过滤器，在 expandRef 函数中找到（cmets 是我的）：

# Hard code a filter
blob = gblob(x0 = 15, n = 49, alpha = 0.8, beta = 1.2)
# Filter using the fast 2D FFT convolution product.
bref = lapply(ref, function(r) filter2(r, blob)/2)
# Name it "B" and then the layer name
names(bref) = paste("B", names(ref), sep = "")

我不确切知道您在此处尝试做什么，但您可以直观地看到此过滤器在做什么。这是您的x（您可以运行display(x) 来查看）：

这是您的参考资料 (y)：

下面是硬编码过滤器的样子：

这就是硬编码过滤器对y 所做的：

因此，总结一下：带有0 的所有内容都与无参考进行比较，带有a 的所有内容都直接与y 作为参考进行比较，而带有aB 的所有内容都与@ 的过滤版本进行比较987654345@.