本研究提出了一种自适应小波滤波器(AWF)，旨在增强眼底OCT图像的纹理特征，从而提高帕金森病的自动筛查性能和可信度。

本研究提出了一种新颖的分析方法，通过整合多种成像生物标志物，显著提高阿尔茨海默病早期诊断的准确性，尤其在放射组学和纹理特征方面表现突出。

本文提出了一种初步的静态算法过程，通过使用由探测到的边缘和 Sentinel-2 卫星图像捕获的 NDVI 比率创建的纹理特征，用于识别卫星图像数据中的森林区域。下一步是提高分类和验证过程准确性。

AMFusionNet是一种创新的红外和可见图像融合方法，通过多个卷积核和注意力机制，生成丰富信息的图像。实验证明，AMFusionNet在质量和数量上优于现有算法，并在公开可用数据集上显示了显著的改进。

本文研究了使用深度神经网络对纹理特征重要的图像数据集进行分类的方法，并证明手工特征提取是有效的降低异常误差率的工具。同时，还验证了基于纹理的数据集比手写数字或其他目标识别数据集更高维，更难以被神经网络粉碎。

本研究提出了一种新方法，使用人工生成的样本和对比训练过程，捕捉待考虑纹理的特征，并从无缺陷样本中推导出有意义的表示，实现对异常得分的计算。实验证明该方法具有竞争力。

通过将边缘检测器作为层核心并设计二进制边缘特征分支（BEFB）来增强深度卷积神经网络（DCNN）的鲁棒性。实验证明，采用BEFB的集成模型在面对多种攻击时具有更高的分类准确性，并且具备了轻量化和不对训练造成负面影响的特点。该研究首次表明通过结合形状类特征和纹理特征可以增强DCNN的鲁棒性。

本文介绍了一种基于纹理和血管特征的混合深度学习网络（TS-SHDL），用于自动分割脑物质，并通过条件随机场（CRF）实现分割。实验结果表明，TS-SHDL网络在MR影像分割方面具有优势和卓越性能。