用于图像分割任务的森林航空图像数据集，该数据集包含5108张尺寸为256x256的航空图像。meta_data.csv文件维护有关航空图像及其各自的二进制掩码图像的信息 用于图像分割任务的森林航空图像数据集，该数据集包含5108张尺寸为256x256的航空图像。meta_data.csv文件维护有关航空图像及其各自的二进制掩码图像的信息

基于机器视觉的自然环境下菇娘果实分割方法，已经训练好的模型共训练100轮，使用说明在ReadMe，测试集在菇娘测试集压缩包

利用FCM对4个图像进行区域分割，输出原图像和FCM聚类后的图像，聚类后图像中轮廓更加清晰。 注:图像经过预处理，调整到相同像素大小，方便后续处理。

医学影像作业 基于医学影像配准+DUNet实现的视网膜血管检测_眼底血管分割源码+数据集+实验报告.zip 图像配准 眼底血管分割实验 详细操作说明 实验报告 【实验思路】 1.图像预处理： 单通道化RGB2Gray 归一化 对比度限制自适应直方图均衡化 伽马校正 2.图像分割成小块patch 3.torch写网络 Unet  - Unet++  4.训练与测试，计算每个小patch的train_loss和dice_score 5.合并图像 6.计算整体测度 【实验结果】 CHASE数据集用cuda训练batchsize为2，网络采用UNet++，轮数epoch=5，测试集结果：avarage Dice: **78.03%**, avarage Accuracy: **96.91%** DRIVE数据集用cpu训练batchsize为8，网络采用UNet，轮数epoch=5，测试集结

matlab椭圆分割代码阈值段 该存储库包含多个 MATLAB 脚本，用于通过 MBO 类型的迭代阈值方法进行图像分割。 手稿也存储在manuscript/ 。 随论文附上代码： 王东，李浩瀚，魏晓宇，王小平。 一种有效的图像分割迭代阈值方法。 (2016)。 . 代码使用 运行 ThreshSeg.m 以使用 GUI 界面（不知何故，它在 GUI 中运行速度要慢得多）。 为了获得更好的性能，您可以直接调用库。 为此，将 main_template.m 复制到一个新文件（例如 main.m）并编辑参数。 在与 main.m 相同的目录中，将所有输入文件放在 ./input 下。 然后执行main.m。 例子 运行 examples/demo_XXXX.m 并阅读其中的评论。 使用图形用户界面 可以使用鼠标通过 GUI 设置首字母。 对于矩形区域，左键单击图像两次以选择一个矩形。 对于多边形区域，左键单击添加顶点，右键单击添加最后一个顶点并将最后一个顶点与第一个顶点连接。 初始文件格式 矩形 该文件包含 (n_phases-1) 行。 每行由四个实数（xmin、xmax、ymin、yma

针对分层B样条非刚性配准存在局部极值以及水平集分割方法不适用于噪声图像分割的问题,提出了一种基于局部更新分层B样条双向变换和水平集方法的医学图像联合分割与配准方法。该方法在分割算法中加入配准变换,在配准中融入图像分割的结构信息。使用B样条水平集函数对变换和分割的图像进行平滑表示,并在配准中引入双向变换以提高配准的精度和平滑性。在水平集方法的基础上,引入双向分层B样条变换构造分割与配准的联合能量泛函,并结合梯度下降法将能量泛函最小化以优化目标函数。实验结果表明:本方法与单独的图像分割方法相比,Dice度量均在99%以上;与单独的图像配准方法相比,均方误差下降了30%,能够提高图像的配准精度,且在分割噪声图像时有较好的鲁棒性。

基于MFC的图像处理和分析的基本算法的实现，是学习MFC编程和图像处理非常有用的代码，包括滤波，小波变换，图像分割，边缘检测以及霍夫变换等图像处理常用的技术

鉴于图割的理论意义和实际应用价值, 系统综述了基于图割的图像分割方法. 首先, 深入分析了基于图割的图像分割方法的基本原理, 主要从定性和定量角度剖析了图割与能量函数最小化之间的关系, 然后, 概括了基于图割的图像分割方法的基本步骤, 包括能量函数的设计、图的构造和最小割/最大流方法, 其次, 系统梳理和评述了基于图割的图像分割方法的国内外研究现状, 最后, 指出了基于图割的图像分割方法的发展方向.

提出一种对图像中每个点逐一取阈值进行分类的一种新的阈值分割算法。该算法利用图像中像素邻域的灰度值均值统计信息作为该点阈值设置的标准,并引入该点邻域内像素灰度值方差作为附加判断条件,使提取出来的目标点是图像的边缘点。事实上该阈值分割算法起到了边缘提取的效果。实验证明,本文算法起到了良好的边缘检测效果,并且验证了本算法对于以邻域统计信息作为阈值估计标准的合理性。

带有pyqt5界面，模型，操作说明，有大量代码注释。图像分割。 该项目代码可供参考学习，里面有很多自定义修改的地方，界面挺好! 适合深度学习初学者、或者正在做毕设的学生和需要项目实战AI算法工程师，学习借鉴。