图像首先转换为 CIE lab 颜色空间，并生成 3d 颜色直方图。 Hill-climbing 算法用于在实验室直方图中找到局部最大值，用于自动确定聚类数 K 以及 K-means 的初始种子。

英文| [简体中文]（ ） 表面缺陷检测：数据集和论文 :horse: :chart_increasing:在表面缺陷研究领域不断总结开源数据集非常重要。收集并汇编了2017年以来的重要重要论文，可以在 文件夹。 :whale: 数据集下载： | 介绍 目前，基于机器视觉的表面缺陷设备已在3C，汽车，家用电器，机械制造，半导体和电子，化学，制药，航空航天，轻工等多个行业的各个领域中广泛取代了人工视觉检查。基于机器视觉的传统表面缺陷检测方法通常使用常规图像处理算法或人为设计的特征以及分类器。一般而言，成像方案通常是通过使用被检查表面或缺陷的不同属性来设计的。合理的成像方案有助于获得照明均匀的图像，并清晰地反映物体的表面缺陷。近年来，许多基于深度学习的缺陷检测方法也已广泛用于各种工业场景中。 与计算机视觉中清晰的分类，检测和分割任务相比，缺陷检测的要求非常普遍。实际上，它的要求可以分为三个不同的级别：“缺陷是什么”（分类），“缺陷在哪里”（

使用生成式对抗学习的3D医学图像分割很少 该存储库包含我们在同名论文中提出的模型的tensorflow和pytorch实现： 该代码在tensorflow和pytorch中都可用。 要运行该项目，请参考各个自述文件。 数据集 选择了数据集来证实我们提出的方法。 它包含10个标记的训练对象和13个未标记的测试对象的3D多模式脑MRI数据。 我们将这10个标记的训练数据分为两个模型的训练，验证和测试图像。（例如，2,1和7）13个未标记的测试图像中的其余部分仅用于训练基于GAN的模型。 数据集也用于测试我们提出的模型的鲁棒性。 它包含3种模式（T1加权，T1加权反转恢复和FLAIR）。 原始数据

UNet / FCN PyTorch 该存储库包含U-Net和FCN的简单PyTorch实现，这是Ronneberger等人提出的深度学习细分方法。 和龙等。 用于训练的合成图像/遮罩 首先克隆存储库并cd到项目目录。 import matplotlib . pyplot as plt import numpy as np import helper import simulation # Generate some random images input_images , target_masks = simulation . generate_random_data ( 192 , 192 , count = 3 ) for x in [ input_images , target_masks ]: print ( x . shape ) print ( x . m

基于马尔科夫随机场的图像分割代码，程序完整，运行正确

介绍 我们使用提出的DualGAN架构对脑肿瘤扫描进行无监督的图像分割。 DualGAN的架构 数据集 使用的数据集可收集本的作者 先决条件 Python（2.7或更高版本） 麻木 科学的 NVIDIA GPU + CUDA 8.0 + CuDNN v5.1 TensorFlow 1.0或更高版本 MATLAB（用于初始图像处理和计算DICE分数） 脚步 准备图像： Run the prepareimgs.m MATLAB file. Original images (domain A) will be generated in folder /datasets/med-image/train/A from the .mat files. Segmented images (domain B) with highlighted tumor regions will be gener

高效的Unet-PyTorch 以EfficientNet为编码器的Unet的PyTorch 1.0实现 有用的笔记 由于解码器路径中存在一些舍入问题（不是错误，因此这是一个功能） :smirking_face: ），输入形状应可被32整除。 例如224x224是适合输入图像的尺寸，但225x225不适合。 要求 Python> = 3.6 > = 1.0.0 安装 安装efficientunet-pytorch ： pip install efficientunet-pytorch 用法 1.高效网 例如，说您想要具有5个类的预训练的efficiencynet-b5模型： from efficientunet import * model = EfficientNet . from_name ( 'efficientnet-b5' , n_classes = 5 , pretrained = True

水平集演化（LSE）是众所周知的轮廓提取（确定对象的边界）和对象分割的方法。 LSE 的主要障碍是重新初始化步骤。 必须执行此步骤以消除对象（轮廓）提取的边界的不规则性。 基本上，水平集必须根据一些基于距离的标准定期重新初始化。 事实上，我们如何实现重新初始化步骤并不是理论上解决的问题。 在工程实践中，结果可能存在大量错误。 在本文中，研究人员提出了 LSE 方法的新变体，它通过添加新的术语距离正则化来本质上保持水平集函数而不是重新初始化步骤。 这就是为什么这种新方法的名称是距离正则化 LSE (DRLSE)。

深度学习时代，图像语义分割在FCN出现后大放异彩。本PPT讨论了研究的前沿发展，包括网络进步，后端CRF条件随机场的改进等。适合初学的同学们了解现状。

用于图像合成/背景替换的对象剪切的交互式自然图像分割。 在 Java 中实现，在 1.5.0_17 版上测试。 完整的源代码可用。