自然图像分割代码

道路分割 客观的 在自动驾驶的情况下，给定前摄像头视图，汽车需要知道道路在哪里。 在这个项目中，我们训练了神经网络，通过使用一种称为完全卷积网络（FCN）的方法来标记图像中道路的像素。 在此项目中，使用KITTI数据集实施FCN-VGG16并对其进行了培训，以进行道路分割。 演示版 （单击以查看完整的视频） 1代码和文件 1.1我的项目包括以下文件和文件夹 是演示的主要代码 包含单元测试 包含一些帮助程序功能 是带有GPU和Python3.5的环境文件 文件夹包含KITTI道路数据，VGG模型和源图像。 文件夹用于保存训练后的模型 文件夹包含测试数据的细分示例 1.2依赖关系和我的环境 Miniconda用于管理我的。 Python3.5，tensorflow-gpu，CUDA8，Numpy，SciPy 操作系统：Ubuntu 16.04 CPU：Intel:registered:Core:trade_mark:i7-68

随机森林图像matlab代码步步森林 StepForest：使用局部强度和纹理特征分割结肠组织学图像中腺体的机器学习方法 为在结肠组织学图像中进行腺体分割而创建的基于机器学习的图像分割算法，可以针对其他图像分割问题进行修改。 该算法使用一种新颖的分层随机森林方法，其中使用3个级别的随机森林beeen来进行更好的分割。 为了测试该算法，使用了GlaS @ MICCAI'2015：腺体分割挑战赛（）的数据集。 可在上述网站的“下载”标签下下载。 使用的第三方工具箱/代码（由相应作者提供的许可控制）：- haralickTextureFeatures由Rune Monzel（） Matlab的污点归一化工具箱，作者是Warwick大学的Nicholas Trahearn和Adnan Khan（），这些第三方工具箱/代码的源代码已上传到“工具箱”文件夹下。 可以下载最新版本，并可以从给定的网站获取许可证信息 这项研究是由Rupali Khatun进行的。 这项工作最初是在加尔各答的印度统计研究所（ISI）的电子和通信科学部门（ECSU）以及印度统计研究所（ISI）的印度模式识别和人工智能部门（

第二章背景知识.全卷积网络 .使用全连接网络进行精准分割 .线性结构网络 .对称结构网络 .第三章 实验设计.数据集选择及处理 .图像处理流程设计 .网络结构

基于灰度膨胀的matlab指纹分割程序，效果不错。来自cubs

基于视觉的室内场景定位与建图（VSLAM）在智能设备自主定位与导航领域内扮演着极为重要的作用，但是当前主流算法的回环检测及重定位环节上在动态光照情况下存在匹配丢失，严重影响定位累计误差的修正与建图精度。因此提出了基于一种改进的点云特征提取与匹配的定位方法，将由RGB图像得到的点云通过聚类的方法分割成一个个稳定区域，并建立基于面片特性及相互空间关系的场景特征描述，最后通过该特征描述进行两帧图像的数据关联及相机的定位，利用更具有鲁棒性的区域特征提取方法克服光照变化情况下的视觉定位不足问题。实验证明提出的方法不仅可以适应动态光照环境，而且定位效果优于目前主流的基于图像点特征的定位算法。

工作中需要自由分割图片，网上找了一圈没有适合的，所有自己就乱写一通 用到的模块：精益模块、取图片局部数据到位图（论坛下载的，不知道哪位大神作品） 1、可对图片进行自由分割 2、分割方案可保存和加载 3、分割后图片可根据提供名称自动命名（同目录下name.txt） 有需要的可以继续开发，比如自由拖动分割线啥的

DSR-semantic-segmentation:DSR方法在CityScapes数据集上进行语义分割

本文从局部能量的角度提出了一种有效的图像边缘检测方法.在以一个像素点为中心的对称区域中，计算区域内所有像素的灰度值与中心像素的灰度值之间的差值，将差值平方的总和作为中心点所对应的局部能量.该局部能量可以有效地用于检测图像的边缘，因为边缘点的局部能量要比对应光滑区域内的像素点大得多.根据本文所构造的局部能量函数可以有效地找到边缘点.本文使用Baddeley误差度量（BEM）方法来评估本文方法检测结果的准确性.实验结果表明本文方法检测效果比较好.

参考网上资源写的一个课程作业（分水岭分割算法），初步实现分水岭分割算法处理图片，配置环境是：win8.1+vs2015+opencv3.2.0。