PythonでDICOM画像をなんとかする その2 - Qiita
PythonでDICOM画像をなんとかするの続きです。 2017年09月時点での情報になります。 PyDicomは、現在githubからダウンロードすると、Versionが1.0.0a1になっているようです。 """Pure python package for DICOM medical file reading and writing.""" __version__ = '1.0.0a1' __version_info__ = (1, 0, 0, 'alpha', 0) ただし、conda-forgeやPyPIでインストールできるpydicomは、まだ0.9.9になっているようです。1.0以降はいろいろと変更点があるので、ドキュメントにもわざわざTransition to pydicom 1.xという章が作られていますが、ひとまず、0.9.9準拠でこのページを作成することにします。 D
画像の特徴点を抽出する - Qiita
いろいろな画像を見比べて、「あの画像に写ってるのアレは、この画像に写ってるコレと同じかな？」なんてことを、機械的にやるとしたら、という話。 OpenCVに頼る 難しいことは考えないで、OpenCVに頼る。自分で考えるよりも、世界中の賢い人々が考えてくれた成果物を利用するべきなのだ。 というわけで、早速、 OpenCV: Feature Detection and Descriptionを参照して、お勉強を始める。 画像を用意する 適当な著作権フリーっぽい画像もないし、自分で撮影するのも面倒なので、今回は以下の画像を適当に作った。 このutsu1.png(游明朝)と、utsu2.png(ヒラギノ角ゴシック)を使うことにする。 特徴点の抽出 まずは、http://docs.opencv.org/master/da/df5/tutorial_py_sift_intro.html に従い、utsu
私的Chainer入門 - Qiita
2015年から2016年にかけて流行した言葉の一つに「人工知能」があるワケだけれど、「よく知らないので使えません」なんてことを言ってる場合でもないので、仕事とは関係なくChainerの勉強を始めてみようと思う。 業務などで判別機が必要なシーンでは、SVMとかRandomForestとかを使っていたのだけれど、これから、いつもどおりにSVMで判別機を書いた時にされるであろう質問もなんとなく予想されるし(「それってDeep Learningしたらどうなるの？」→「どうもなりません」って回答だけで済ませたい)、なんだかんだで流行語には敏感な姿勢をアピールしておきたい(謎)。 というワケで、参考文献： - Chainer – A flexible framework of neural networks chainerのインストール http://docs.chainer.org/en/stabl
私的TensorFlow入門 - Qiita
私的Chainer入門してみたイキオイで、続きをやってみることにする。 とはいえ、chainerを極める方向に行くよりも、いろいろと食い散らかしておきたい。 まあ、そんなワケで、TensorFlowである。 MNIST For ML Beginnersを参照しつつすすめる。 私的Chainer入門やPythonでKNNを使った手書き文字認識でもMNISTを扱ったワケだけれど、こいつをつかって「数字判別機を作る」というのは、機械学習のチュートリアルの基礎中の基礎だ。言うなれば、Oracleデータベースを初めて触る人がscott/tigerのempデータベースをselectするSQL文から入るようなもんだ。 TensorFlowの準備から PythonからTensorFlowを使う。AnacondaでPython環境を作っているので、ドキュメントに従い、以下のようにインストールする。
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
