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。

matlab fcm函数代码FCM脑部MRI分割 在这个项目中，我们要模拟一篇有关脑部MRI图像分割的文章 在以下代码中有matlab代码：代码文件 基本上我们的大脑包括三个主要部分： 1- Gray matter (GM) 2- White matter (WM) 3- Cerebrospinal fluid (CSF) 在MRI图像中对脑的这些部分进行分割对于某些脑部疾病的诊断非常有帮助。 有一些细分方法： 1) FLICM a. Based on FCM and using a fuzzy local similarity measure to reduce the effect of the noise b. modified the FCM objective function by introducing a spatial penalty term 2) GMM a. models the pixel intensities by using a mixed Gaussian distribution b. reduce the segmentation sensitiv

这是一个python的肺结节分割代码，是我最近修改过的代码，希望给初学者提供参考，为大家提供思路。欢迎大家下载参考。希望可以给大家帮助

本文提出了一种肠道疼痛是一种确定的污染，为此，需要简短总结其控制性最终目标。 使用改进的工具来查看混乱情况。 如果关闭基地坚持完成，然后由疼痛可变成动态罕见状态。 图片准备检查用于查看吉姆萨（Giemsa）变色边缘血液测试的微薄传播中的疟疾发热寄生虫，恶性疟原虫种的亲密关系。 一些图片管理的估计被用于对弱血迹传播的疟疾发烧进行自动评估，但是寄生虫血症的程度可靠地不像手动检查那样无可争议。 拟议的系统通过使用图片准备图形来清洁人的滑倒，同时看到疟疾发热寄生虫的亲密关系。 这是通过评估两种观察肠道紊乱寄生虫的策略来创建的。 第一个结构依赖于划分； 第二种用途是使用最少分区分类器进行提取。 肠道污染区的结构提高了人们的可感染性，个性，建设性猜想和相反的需求。

DeepLabv3_MobileNetv2 这是MobileNet v2网络的PyTorch实施，具有用于语义分割的DeepLab v3结构。 MobileNetv2的骨干来自纸面： DeepLabv3的段头来自纸面： 如果您对这些块有一些困惑，请参考这些文件，以获取有关诸如Atrous卷积，反向残差，深度卷积或ASPP之类的详细信息。 结果 在训练了150个纪元之后，没有进行任何进一步的调整，测试集上的第一个训练结果如下： 随时更改此仓库中的任何配置或代码：-) 如何使用？ 首先，您需要安装此实现的依赖项。 此实现是在Python 3.5下使用以下库编写的： 火炬0.4.0 火炬视觉0.2.1 numpy的1.14.5 OpenCVPython的3.4.1.15 tensorflow 1.8.0（tensorboardX必需） tensorboardX 1.2 使用sudo

PointNet2用于3D点云的语义分割 马蒂厄·奥罕（Mathieu Orhan）和纪尧姆·迪基瑟（Guillaume Dekeyser）着（巴黎桥和歌剧院，2018年，巴黎）。 介绍 这个项目是PointNet2的学生分支，由斯坦福大学的Charles R. Qi，Li（Eric）Yi，Hao Su，Leonidas J. Guibas提供。 有关详细信息，您可以参考原始的PointNet2论文和代码（ ）。 该分支专注于语义分割，目的是比较三个数据集：Scannet，Semantic-8和Bertrand Le Sa​​ux空中LIDAR数据集。 为此，我们清理，记录，重构和改进原始项目。 稍后，我们将把相同的数据集与另一个最新的语义分割项目SnapNet进行比较。 相关性和数据 我们使用3 GTX Titan Black和GTX Titan X在Ubuntu 16.04上工作。

最近唯一能够像SiamMask一样在线操作并从边界框初始化开始生成mask的跟踪器是Yeo等人的基于超像素的方法.①作者认为以往直接回归box的方法存在一定的偏差，而使用分割提取mask然后再确定box的方法能够更好的定位box 的宽高。 ②现有的跟踪器，都使用矩形边界框来初始化目标并估计其在后续帧中的位置。尽管简单的矩形很方便，但通常无法正确表示对象。

使用Octree进行点云分割 1.先决条件 我已经在Ubuntu 16.04中测试了该库，但是在其他平台上应该很容易编译。 C ++ 11或C ++ 0x编译器 穿山甲 我使用进行可视化和用户界面。 下载和安装说明可以在以下找到： : 。 本征3 下载和安装说明可在以下网址找到： : 。 至少需要3.1.0 。 建造 git clone https://github.com/georgebola/Octree mkdir build cd build cmake .. make 测验 ./build/sample/sample Z6.obj

客户细分python 该项目将客户细分应用于公司的客户数据，并基于此得出结论和数据驱动的想法。 数据集 该数据集是在线超级市场公司Ulabox的客户数据。 数据集可在此链接中找到 客户细分 在客户细分中，我们将相似的客户分类到同一集群中并对其进行分析。 它可以显示如下信息： 谁是公司最有价值的客户 公司有什么样的客户 这可以用于有针对性的营销和其他营销策略。 有时，它甚至可以揭示市场上潜在的空白空间，而这还没有公司占据。 好吧，我们可以在这里发挥创意。 聚类 聚类是一个过程，其中我们将相似的数据点放入同一聚类中。 有很多算法可以做到这一点，例如团簇式聚类，kmeans聚类，高斯混合模型等。 映射到项目 order_segmentation_0.0.ipynb文件包含详细的注释以及对数据中的订单进行细分的说明。 我也在其中添加了我的想法。 这是一个干净的步骤。 我建议从那里开始。 c

使用K均值的体外LSCI图像中的血管定位 该存储库具有实现会议文章中描述的方法的功能：使用在“ 图像在体外的LSCI图像中进行血管定位” ，这是项目“血管的可视化和定位”的一部分而开发的。 抽象的 激光散斑对比度成像中血管的可视化和定位是生物医学应用（例如皮肤病学，神经科学和眼科学）中的一项重要任务，因为它可以确定血管的存在并评估诸如血流的性质。 这项工作建立了可视化方法的综述，用于对比度计算和激光散斑对比度成像的改进。 另外，通过聚类以自动方式提出了血管的定位。 结果表明，血管的定位很大程度上取决于对比度的计算和改善。 如果血管和生物组织区域彼此分开得很好，并且噪声水平较低，则K均值聚类是在激光斑点对比成像中定位血管的强大工具。 内容 组织 没有声明其他内容目录。 贡献者 算法，应用程序和工具的代码由以下人员贡献： F. Lopez-Tiro，H.Peregrina-Barreto，J