reorganize files

Author: lywa1998

README.md

@@ -2,9 +2,9 @@
 
 # 工作
 - 传统机器学习方法
-   - K均值聚类算法
+   - [K均值聚类算法](kmeans/kmean.py)
       - 一种居于区域的无监督算法。通过对原始图像的像素点的亮度值对视盘、视杯进行分割，可通过调整聚类数量来提取视盘、视杯的分割效果。
-   - 随机森林算法
+   - [随机森林算法](rf/train.py)
       - 将图像分割任务转化为像素点分类任务。通过对原始图像进行边缘特征提取得到图像的边缘特征，随后联合图像的亮度信息喂入模型进行训练。
 - 深度学习方法
    - FedSVG算法
@@ -14,11 +14,11 @@
 
 # 效果
 - K均值聚类算法
-![](figure/kmeans-1.png)
+![](images/kmeans-1.png)
 - 随机森林算法
-![](figure/rf.png)
+![](images/rf.png)
 - FedDG算法
-![](figure/test-0.png)
+![](images/test-0.png)
 
 # 后续改进工作
 - 目前FedDG算法中连续频率空间插值可以看到明显的效果提升，但原论文中的边界损失函数的效果在实验过程中并没有得到良好的体现，因此后续将继续研究边界损失函数问题。

cnt.png

@@ -1,3 +1,4 @@
+# 数据
 [cup]Domian1: Drishti-GS dataset [101] including training[50] and testing[51]
 
 [cup]Domain2: RIM-ONE_r3 dataset [159] including training and[99] testing[60]
@@ -8,3 +9,5 @@
 
 Domain5: ISBI [81]  IDRID chanllenge
 
+这部分主要是实现了论文仓库中数据处理部分的代码 https://github.com/liuquande/FedDG-ELCFS/issues/10 。
+主要代码为 data_preprocessing.py 文件，其他只是测试（暂未进行删除）。

dataset/readme.md

@@ -0,0 +1,5 @@
+# 实验
+本目录主要进行了眼底图像视盘和视杯的实验。因为本人是第一次接触眼底图像这类图像分割数据集，
+因此本目录主要是理解这些概念和结果可视化的代码。
+process.py 是查看眼底图像视盘和视杯是如何进行分割得到其轮廓。
+visual.py 是利用 process 中学到的分割轮廓来生成 FedDG 预测的结果和真值的对比，如![](./test-0.png)。