数据中中包含了大量对图像分割没有意义的数据，因此这里对原始数据集进行有效数据的提取。并且将有效数据集再次进行训练集 + 测试集的划分 注：log 训练文件较大，为了方便上传，这里删去不重要的train结果

功能： 1.图像的读取和保存。支持读取待分割图像，以及保存结果图像。

模型在FloodNet数据集上进行了训练，mIOU在0.83左右，可训练自己的数据集 建议在训练网络的时候将输入的训练集其切分为384x384的小图片后，再来进行训练 模型采用标准的UNet，可以采用如下方式训练你自己的模型 数据集地址可以在train.py中修改为你自己的文件夹 python train.py -- --epochs 20 --batch-size 16 --learning-rate 2e-4 --scale 1 --validation 0.1 --classes 10 --amp 其中--amp为半精度训练 --scale是训练的时候对图片进行缩放，已经裁剪为384x384后就不需要再裁剪了

基于YOLOv5和PSPNet的实时目标检测和语义分割系统源码.zip

2d和3d图像分类与分割源码

hog特征提取matlab代码BacteriaImageProcess 这是为了我们的项目：分割细菌图像并识别该图像中的细菌种类。 从本质上讲，这是对细菌数据的深度学习应用程序。 我们在matlab中实现了卷积RBM，以完成我们的任务。 cdbn-github是使用卷积RBM进行无监督特征学习的代码，我们使用GMM / BMM进行初始化，这可以缩短训练过程。 在特征提取之后，我们利用liblinear工具箱进行监督分类。 我们项目的第一部分在cdbn文件夹中，在其中展开了所有代码，包括我编写的CRBM代码。 编写GMM来初始化第一层，使用BMM来进行第二层的初始化。 （请注意，初始化非常重要，有关更多详细信息，请参阅Sohn等人的论文：“有效学习稀疏，分布式，卷积特征表示以进行对象识别。” Aslo，要训练卷积深度信念网络，您可以进行分层预训练，这意味着首先训练第一层，训练后冻结第一层的参数，然后训练第二层....） 在第二部分中，我们尝试识别此图像中的细菌种类，因此我们手动标记前景斑块，并将其标记为17类，因为一些毗邻的斑块涉及物种和背景，因此我们也将它们考虑在内，因此，共有18个课

如果运行不通，可尝试不直接点击“运行”，而是点击“运行并前进”按钮。 这个MATLAB函数将灰度图像I中的强度值映射到J中的新值，使得1%的数据在I的低强度和高强度下饱和。对图像f中任意像素的灰度值x进行变换，得到图像f 中对应像素的灰度值XF。 具体的算法步骤如下： i. Set adjustment linearity value; ii. Read in the image to be processed and assign it to I; iii. Assign image data to R. Change the original image into a monochrome image and keep the red color. Use the function imadjust to adjust the gray level of R, and the result returns R1; iv. Assign image data to G. Change the original image into a monochrome image and keep the green color. Use the function imadjust to adjust the gray level of R, and the result returns G1; v. Assign image data to B. Change the original image into a monochrome image and keep the blue color. Use the function imadjust to adjust the gray level of R, and the result returns B1; vi. Get RGB image after transformation; vii. Draw R, R1, G, G1, B, B1 images and observe the results of linear gray-scale transformation. 结果一般。 版权声明：本文为CSDN博主「灵泉matlab」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/qq_31434537/article/details/104562388

基于改进Unet 的丘陵地区耕地地块深度分割与提取.pdf

matlab代码abs 通用汽车制造商 实现我们的“使用高斯混合模型的超像素分割”工作。 可以找到 GPU 上的并行实现，它运行速度非常快（GTX 1080 上的 320x240 图像大约为 1000FPS）。 引文 该方法已作为常规论文发表在 IEEE Transactions on Image Processing 中。 如果您根据我们的方法开发您的工作，当然，如果您引用我们的论文，我们将不胜感激。 新的bibtex如下。 @article{Ban18, author = {Zhihua Ban and Jianguo Liu and Li Cao}, journal = {IEEE Transactions on Image Processing}, title = {Superpixel Segmentation Using Gaussian Mixture Model}, year = {2018}, volume = {27}, number = {8}, pages = {4105-4117}, doi = {10.1109/TIP.2018.2836306} } 这项工

数据集切割为600x600大小，可自行调整参数进行训练