图像分割 该项目在实现了用于语义分割的神经网络。 项目概况 该项目的主文件是convolutional_autoencoder.py ，其中包含用于数据集处理的代码（数据集类），模型定义（模型类）以及训练代码。 为了抽象模型中的图层，我们创建了layer.py类接口。 此类当前具有两个实现： conv2d.py和max_pool_2d.py 。 要推断训练后的模型，请查看infer.py文件。 最后，有几个文件夹： 数据*包含预处理的数据集（请注意，当前模型实现应至少与128x128图像一起使用。） imgaug包含用于数据扩充的代码（ ） noteboks包含一些有趣的图像分割

深度学习、遥感影像、语义分割相关论文

U-Net经典论文

Multi-scale self-guided attention for medical image segmentation.pdf

GrowCut Image Segmentation，GrowCut Image Segmentation for binary segmentation, implemented in Matlab/C++ with mex。荷花分割例子，能基本完分割任务。可为图像预处理提供参考。

医学图像分割代码 3DVNET

UNet 3 A Full-Scale Connected UNet for Medical Image

tf_unet：用于图像分割的通用U-Net Tensorflow实现

图像分割算法

图像分割是基于地理对象的图像分析（GEOBIA）中至关重要的基础步骤。 许多多尺度分割算法已被广泛用于高分辨率（HR）遥感图像中。 这些细分算法需要一个预设参数（称为scale参数）来控制每个对象的平均大小。 但是，由于空间变化，单一尺度参数几乎不能描述具有不同土地覆被的区域的边界。 为了克服这一局限性，本研究提出了一种用于多尺度分割的自适应参数优化方法。 为了找到最佳的物体尺度，通过计算物体内部和内部物体之间的光谱角来应用局部光谱异质性度量。 与选择全局最优尺度参数不同，本研究旨在从所有不同尺度的结果中直接搜索最优对象，并将其组合为最终的分割结果。 在实验中，使用多分辨率分割生成不同比例的分割结果，并将QuickBird-2图像用作test.data。 在四张HR测试图像上的优化结果表明，与单尺度分割结果相比，该方法具有更好的分割效果。