本文提出了一种基于机器学习的主动学习方法，用于3D电子显微镜影像中的超像素层次聚合分割。研究表明，该方法在分割准确度上优于现有算法，并介绍了新颖的分割框架和评估标准，旨在提升生物医学图像分析的自动化和准确性。此外，开发了Nellie系统用于细胞内结构的自动分割和跟踪，支持无代码操作和深度分析，推动神经科学研究的进展。

本文探讨了主成分分析（PCA）及其变体在高光谱图像分类中的应用。研究表明，PCA结合支持向量机（SVM）和轻量级梯度提升机（LightGBM）能有效提高分类准确率，分别达到0.9925和0.9639。此外，提出的SuperPCA方法通过超像素分割改善了分类性能，适用于高维数据处理。

本文提出了一个像素级聚类框架，用于无监督图像分割，包括特征嵌入、统计计算、图像重建和超像素分割。提出了训练策略和后处理方法，提高分割准确性。实验证明该框架优于先前方法。