苹果识别是开发苹果采摘机器人的关键环节, 利用图像处理技术和神经网络分类器探索苹果图像分割算法。从苹果树图片中选取苹果图像样本和背景图像样本, 分别计算这两类图像样本的颜色特征和纹理特征。颜色特征的计算基于RGB色彩模型, 纹理特征的计算基于灰度共生矩阵。选取适当的颜色特征(R/B值)和纹理特征(对比度值和相关性值)作为输入节点, 利用反向传播神经网络分类器建模, 输出值是一个0～1之间的计算值。通过阈值将输出结果分类为苹果或背景。试验结果表明, 该算法正确率大于87.6%, 对光照的影响不敏感, 是一种较为实用的苹果分割算法。

Chan-Vese算法是一种图像分割算法，Python实现代码，有注释，方便理解和修改。 在CV模型之前，传统的活动轮廓模型都是依赖图像的梯度信息来停止曲线的演化，而CV模型是第一个完全脱离了梯度信息，依靠区域信息建立了相应的的能量函数，可以说是开创了活动轮廓模型的新方向。

基于神经网络的图像分割算法在FPGA上的实现.pdf

图像分割算法的研究与实现

图像处理，模糊C均值聚类图像分割算法，使用matlab实现

本代码是利用MATLAB编写的基于meanshift（均值漂移）算法的彩色图像分割代码。

基于马尔科夫随机场的图像分割算法

图像分割方向论文的思维导图

针对由于机体组织间的连续造成医学图像区域边界的模糊性，导致完全自动的医学图像分割算法往往不能取得满意分割效果的问题，提出了一种基于径向基函数曲线拟合的交互式模糊医学图像分割算法。首先由用户在感兴趣的区域交互地选取一些特征点，然后利用径向基函数构造一个三维空间的隐式曲面，使该曲面上的某一等值线即为分割出的区域，文中还提出了两种不同的加速算法。大量实验表明，该算法能有效处理非常模糊的医学图像。

该图像数据集包含 100 张合成创建的彩色图像（bmp 格式），大小为 100x100 像素。 每个图像包含几个具有不同颜色和形状的片段。 在将这些图像应用于真实图像之前，这些图像可用于测试彩色图像分割算法。 由于这些图像中的图像片段很容易识别，用户可以创建自己的真实数据集来验证其算法的分割结果。 用户可以通过向这些图像添加噪声来扩展此数据集，并且还可以在这些图像上测试图像分割算法的性能。