u-net经典神经网络模型代码，适用于医学图像分割领域，可以根据此代码搭建

给1万帧视频做目标分割，显存占用还不到1.4GB 整个AI框架由3个端到端卷积网络组成。 一个查询编码器（Query encoder）用来追踪提取查询特定图像特征。 一个解码器（Decoder）负责获取内存读取步骤的输出，以生成对象掩码。 一个值编码器（Value encoder）可以将图像和目标的掩码相结合，从而来提取新的内存特征值。 最终值编码器提取到的特征值会添加到工作内存中。 从实验结果来看，该方法在短视频和长视频上，都实现了SOTA

针对极化SAR（PolSAR）遥感图像分割，提出了一种空间受限的核模糊C均值（SCKFCM）算法。 与经典的模糊C均值（FCM）算法相比，核方法可以执行从原始空间到核空间的非线性映射。 因此，SCKFCM不受遥感图像数据分布的影响。 此外，为了克服斑点噪声的影响，在目标函数中增加了空间约束项，可以有效地提高图像分割的准确性。 PolSAR图像分割的实验结果证明了所提出的SCKFCM方法的有效性。

一种快速的抗噪声模糊C均值图像分割算法 图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出。该算法结合像素灰度值相似度和隶属度构造了一个新的空间函数。该空间函数用于更新成员关系，而成员关系又用于迭代地获取聚类中心。所提出的算法可以在较少的迭代次数下获得理想的分割结果，有效地降低了噪声的影响。

【图像分割】基于哈里斯鹰优化多阈值实现图像分割附matlab代码

视网膜血管的自动分割在糖尿病和高血压等疾病的诊断中起着重要作用。针对现有算法在细小血管和病变区域血管分割能力不足的问题,提出了一种基于改进整体嵌套边缘检测(HED)网络的视网膜血管分割算法。首先,采用了一种残差可变形卷积块代替普通卷积块,增强模型捕获血管形状和尺寸的能力;其次,采用扩张卷积层取代原有的池化层,用以保留血管特征的空间位置信息;最后,使用具有底部短连接结构的HED网络框架对预训练的网络进行特征提取和融合,使得模型可以更好地将骨干网络所提取的视网膜图像中血管的高级结构信息与低级细节信息相融合。通过在DRIVE(Digital Retinal Images for Vessel Extraction)和STARE(Structured Analysis of the Retina)数据集上进行验证,所提网络的灵敏度分别达到了81.75%和80.68%,特异性分别达到了97.67%和98.38%,准确性分别达到了95.44%和96.56%,受试者工作特征曲线(ROC)的曲线下面积(AUC)分别达到了98.33%和98.12%,实现了优于其他先进方法的综合分割性能。

文字识别：包括图像分割,粘连字符切分,文字识别.7z

数字图像分割算法研究.pdf

图像分割的二维最大熵遗传算法.pdf

复杂背景下的灰度图像分割算法研究.pdf