无监督医学图像分割 刘立豪，当归I阿维莱斯·里维罗和卡罗拉·比比亚恩·舍恩利布。 介绍 在此存储库中，我们提供了的PyTorch实现。 要求 火炬1.5.0 火炬视觉0.4.2 SimpleITK 1.2.4 opencv-python 4.2.0.32 用法 克隆存储库： git clone https://github.com/lihaoliu-cambridge/unsupervised-medical-image-segmentation.git cd unsupervised-medical-image-segmentation 下载LPBA40数据集的图像和分割蒙版： LPBA40图片： LPBA40标签： 将它们解压缩到文件夹datasets/LPBA40 ： datasets/LPBA40/LPBA40_rigidly_registered_pairs data

本文提出了一种肠道疼痛是一种确定的污染，为此，需要简短总结其控制性最终目标。 使用改进的工具来查看混乱情况。 如果关闭基地坚持完成，然后由疼痛可变成动态罕见状态。 图片准备检查用于查看吉姆萨（Giemsa）变色边缘血液测试的微薄传播中的疟疾发热寄生虫，恶性疟原虫种的亲密关系。 一些图片管理的估计被用于对弱血迹传播的疟疾发烧进行自动评估，但是寄生虫血症的程度可靠地不像手动检查那样无可争议。 拟议的系统通过使用图片准备图形来清洁人的滑倒，同时看到疟疾发热寄生虫的亲密关系。 这是通过评估两种观察肠道紊乱寄生虫的策略来创建的。 第一个结构依赖于划分； 第二种用途是使用最少分区分类器进行提取。 肠道污染区的结构提高了人们的可感染性，个性，建设性猜想和相反的需求。

使用K均值的体外LSCI图像中的血管定位 该存储库具有实现会议文章中描述的方法的功能：使用在“ 图像在体外的LSCI图像中进行血管定位” ，这是项目“血管的可视化和定位”的一部分而开发的。 抽象的 激光散斑对比度成像中血管的可视化和定位是生物医学应用（例如皮肤病学，神经科学和眼科学）中的一项重要任务，因为它可以确定血管的存在并评估诸如血流的性质。 这项工作建立了可视化方法的综述，用于对比度计算和激光散斑对比度成像的改进。 另外，通过聚类以自动方式提出了血管的定位。 结果表明，血管的定位很大程度上取决于对比度的计算和改善。 如果血管和生物组织区域彼此分开得很好，并且噪声水平较低，则K均值聚类是在激光斑点对比成像中定位血管的强大工具。 内容 组织 没有声明其他内容目录。 贡献者 算法，应用程序和工具的代码由以下人员贡献： F. Lopez-Tiro，H.Peregrina-Barreto，J

unet 训练结果 image-segmentation-keras-master

modelzoo Popular Image Segmentation Models segnet 资料 资料

均值漂移聚类matlab代码使用从卷积自动编码器中学到的功能进行无监督图像分割 通过训练深度卷积自动编码器，已经从图像中学到了一些有用的功能。 我们使用PCA进行了特征变换。 最后，采用均值漂移聚类算法以无监督的方式对图像进行分割。 EDISON分割：基于EDISON工具箱的图像分割 均值漂移马替代方案：Weizmann马数据集下均值漂移聚类的替代试验 Training BSDS500 ：BSDS 500数据集下的培训网络代码 训练马：Weizmann马数据集下的训练网络代码 可视化PCA功能：可视化PCA转换后的功能 替补：计算图像分割的BSDS测试分数 EDISON matlab接口：用于均值漂移聚类的matlab包装器

对彩色图像进行分割，提取出目标信息，并进行显示

Contour Detection and Hierarchical Image Segmentation 轮廓检测与层次图像分割

Segmentation code for extracting numbers from a image

数字图像处理：第七章 图像分割（Image Segmentation）.ppt