医学成像交互工具包（MITK）是用于开发交互式医学图像处理软件的免费开源软件系统。
MITK将Insight Toolkit（ITK）和Visualization Toolkit（VTK）与ap结合在一起。Medical Imaging Interaction Toolkit（MITK）是一个免费的开源软件系统，用于开发交互式医学图像处理软件。
MITK将Insight工具包（ITK）和可视化工具包（VTK）与应用程序框架结合在一起。
以下链接提供了针对不同使用场景的高级和参考文档：获得有关MITK的高级概述，并提供指向更多文档的指针寻求MITK应用程序帮助的最终用户应阅读以下内容：
2022-11-08 21:30:56
38.39MB
1
语义分割的有效解决方案：具有无可分离卷积的ShuffleNet V2
我们提出了一种计算有效的语义分割方法，同时实现了对Cityscapes挑战的70.33％的高均值交集（mIOU）。 建议的网络能够在移动设备上实时运行。
纸：
如果您发现该代码对您的研究有用，请考虑引用我们：
@InProceedings{turkmen2019efficient,
author = {Sercan T{ \" u}rkmen and Janne Heikkil{ \" a}},
title = {An Efficient Solution for Semantic Segmentation: {ShuffleNet} V2 with Atrous Separable Convolutions},
booktitle = {Image Analysis},
year
2022-10-26 15:57:11
71KB
1
数字图像的matlab实现第三版
Digital Image Processing Using MATLAB 3rd edtion
冈萨雷斯，这个版本配套冈萨雷斯的数字图像处理第四版教材，新增了不少算法，包括图像配准，图像分割，深度学习，卷积神经网络等
2022-10-25 15:05:40
141B
1
轻量级Mat和imread（）/ imwrite（）/ imshow（）SmallCV轻量级Mat和imread（）/ imwrite（）/ imshow（）。
基本用法：#include
#include“ smallcv.hpp” int main（）{std :: string image_path =“ mingren.jpg”;
sv :: Mat image = sv :: imread（image_path）;
sv :: rgb_bgr_swap_inplace（image）;
sv :: imwrite（“ mingren_swap.jpg”，image）;
sv :: imshow（“ mingren”，image）;
sv :: waitKey（0）;
sv :: imwrite（“ mingren_swap.bmp”，图片）；
返回0;
}示例屏幕截图：
2022-09-25 17:48:51
37.63MB
1
Digital Image Processing 4th Edition [Rafael C. Gonzalez].pdf
2022-09-25 09:56:10
82.37MB
1
image processing with labview and imaq vision4
2022-09-24 19:35:27
3.81MB
1
利用matlab的函数对图像进行基本的处理：卷积，二值化，融合，滤波等等
2022-09-22 09:00:29
127KB
Image Proc calcBackProject_Demo1.zip use c++ on Windows
2022-09-21 22:01:39
4KB
裂缝的 Unet 语义分割
使用 PyTorch、OpenCV、ONNX 运行时的实时裂缝分割
依存关系：
火炬
OpenCV
ONNX 运行时
CUDA >= 9.0
指示：
1.使用您的数据集训练模型并在supervisely.ly上使用unet_train.py保存模型权重（.pt文件）
2.使用pytorch_to_onnx.py将模型权重转换为ONNX格式
3.使用crack_det_new.py获取实时推理
裂纹分割模型文件可点击此下载
结果：
图表：
2022-07-29 10:39:46
7.53MB
1
ISIC 2018：黑色素瘤检测的皮肤病变分析
概括
更新：2018年7月15日，包括k倍验证以及验证/测试预测和提交。
该存储库为基于Keras / Tensorflow的ISIC-2018挑战的任务1和任务3提供了一个起始解决方案。
当前达到的性能是：
任务1
任务3
平均Jaccard的81.5％
准确度达83％
阈值Jaccard的77.2％
平均召回率68.5％
我们支持Keras支持的大多数骨干网（Inception，Densenet，VGG等）。 对于分段问题，我们还支持在U-Net类型结构中使用Keras预训练主干。
该代码是高度可配置的，允许您更改和尝试算法的许多方面。 下面，我们描述如何运行基准解决方案。
安装/设置
该代码使用：Python 3.5，Keras 2.1.6和TensorFlow 1.8.0。 请参阅需求文件以获取所需的软件包。
请
2022-07-27 10:01:53
1.17MB
1