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

提出了一种基于最优Atlas图像搜索和局部加权B样条变换的全自动非刚性分层配准分割感兴趣区域（ROI）方法。实验结果表明, 所提算法配准的ROI准确度达到95.6%, 归一化互信息值为1.8432, 均方根误差为1.12%, 相关系数提高了18.33%。相比其他配准方法, 所提方案的配准精度及准确度明显提升, 对临床辅助诊断有重要意义。

基于图优化技术，提出了一种新颖的视网膜内层自动分割方法。光学相干断层扫描（OCT）图像中十个视网膜层的11个边界得到了准确，快速和可靠的量化。代替考虑单个像素的强度或梯度特征，所提出的方法着重于整个基于边缘的图像提示。该图像表示为一个完整的加权图，其中连接的组件为节点。基于所连接组件的梯度和空间距离信息以及亲和度矩阵对每个节点进行排名。在三个阶段的项目中有效地进行了细分，以提取11个边界。在来自两个不同数据库的64个OCT图像上对分割算法进行了评估，并将其与两个独立观察者的手动跟踪进行了比较。它在平均无符号边界误差和平均有符号边界误差方面显示出令人鼓舞的结果。

利用分割网络对树叶图像进行分割的数据集(共18600张图片），采用基于U-net的语义分割网络对叶片图像进行分割，并设置适当的阈值 利用分割网络对树叶图像进行分割的数据集(共18600张图片），采用基于U-net的语义分割网络对叶片图像进行分割，并设置适当的阈值

激光雷达 使用距离图像对点云进行语义分割。 由 ， ， 和 来自数据集的分割结果示例： 描述 该代码提供了使用距离图像作为中间表示来训练和部署LiDAR扫描语义分割的代码。 培训管道可以在找到。 我们将尽快开源部署管道。 预训练模型 squeezesegV2 + crf darknet21 暗网53 暗网53-1024 暗网53-512 要启用kNN后处理，只需在模型目录内的arch_cfg.yaml文件参数中将布尔值更改为True 。 模型预测 语义技术 这些是训练，验证和测试集的预测。 可以针对训练和验证集评估性能，但对于测试集评估，则需要提交基准测试（标签不公开）。 没有后处理： 塞格塞格 squeezeseg + crf squeezesegV2 squeezesegV2 + crf darknet21 暗网53 暗网53-1024 暗网53-5

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

Haar分类器结合keras-facenet算法实现人脸检测分割及人脸识别考勤系统完整源码+项目说明.zip 【模式识别-人脸识别考勤系统】 利用Haar分类器完成人脸检测、分割；利用FaceNet网络完成人脸识别。 【依赖库】 opencv-python numpy keras-facenet（见 https://pypi.org/project/keras-facenet/ ） Keras TensorFlow 其中，keras-facenet需要下载预训练模型置于~/.keras-facenet目录下，如果你获得的版本在model/目录下没有带该模型，请自行到该库的GitHub仓库页下载，或在第一次调用该库时也会自动下载。 【使用face_manager.py可以进行人脸的录入，注意录入姓名时，之间不要用空格分隔】 【使用main.py可以进行人脸考勤主操作】 准确率达到93.2% 【备注】主要针对正在做毕设的同学和需要项目实战的深度学习cv图像识别模式识别方向学习者。 也可作为课程设计、期末大作业。包含：项目源码、训练好的模型、项目操作说明等，该项目可直接作为毕设使用。

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

Access to the synapse multi-organ dataset: 1. Sign up in the [official Synapse website](https://www.synapse.org/#!Synapse:syn3193805/wiki/) and download the dataset. Convert them to numpy format, clip the images within [-125, 275], normalize each 3D image to [0, 1], and extract 2D slices from 3D volume for training cases while keeping the 3D volume in h5 format for testing cases.