肺癌是一种世界性的高发疾病，死亡率更是居高不下。早发现，早治疗是提高肺癌的治愈率和延长患者生命周期的重要手段，而肺结节是肺癌早期的主要表现形式，因此，对肺结节的早期诊断分析是提高肺癌患者生存率的关键。利用计算机断层扫描技术（Computed Tomography, CT）筛查肺结节是目前通常采用的诊断方法。随着患者的日益增多，肺部 CT 数据也在呈指数级地增长，无疑给医师的人工筛查工作带来了巨大的挑战和负担，因此使用计算机辅助诊断（Computer Aided Diagnosis, CAD）技术进行肺结节检测分割十分必要，能极大的提高医师的诊断效率并进一步提高肺癌诊断的准确率。 由于肺结节在尺寸、形状上的多变性以及与肺部血管等组织的相似性。在使用传统分割方法进行肺结节分割时，过于依赖医师的先验知识及主观判断，导致容易出现漏分割和过分割的情形。利用深度学习算法的分割过程不再需要人为选择特征，并且能够提取到更具体、更有辨识度的信息，将深度学习算法用于医学图像分割现已成为一个重要的研究方向。U-Net 网络因结构简单、泛化能力强，已广泛应用于医学图像处理领域。

基于python实现的机器视觉实验代码 灰度图像，二值图像，灰度直方图 幂次变换，对数变换，图像反转，图像求和--加性滤波器，位平面分割 拉普拉斯算子，平滑线性滤波器，梯度算子，统计中值滤波器

python利用opencv基于模板匹配对喷码字符进行分割与识别，含有喷码字符的处理连接，分割与模板匹配识别，识别度较高，运行库都在requestments.txt中

猕猴桃的自动化分级中最为复杂、费时的是表面缺陷检测.猕猴桃果实表面缺陷主要包括碰压伤、划伤和日灼,检测过程包括缺陷分割和缺陷识别两个阶段.猕猴桃机器视觉采集系统采用近红外光源采集图像,并对采集图像中值滤波法去除图像采集过程中受到的各种噪声的干扰；图像分析获取最佳阈值,最后图像分割得到猕猴桃果实表面的黑色斑点区域,包括真正的缺陷区域和梗萼区域.通过试验表明,近红外光源能有效提取猕猴桃果实表面的划伤、腐烂伤和日灼缺陷,而且近红外光源图像有效地避免了传统光源图像的反射亮斑区域,通过实验结果,分析针对分割出的可疑缺陷区域如何正确识别,可利用双金字塔数据形式的盒维数快速计算方法,提出描述该区域粗糙度和纹理方向性的特征参数,依此来区分真正缺陷和梗萼区域.

1.增加了数据加载部分，二分类loss 2.必要的中文注释 3.附带了自己的数据集 4.有问题随时联系

用于分割，合并大的PDF文件的工具。分割速度极快。

Segmentation Using Superpixels: A Bipartite Graph Partitioning Approach 论文代码

图像分割算法的研究开题报告.doc

近年来谱聚类算法被广泛应用于图像分割领域，而相似性矩阵的构造是谱聚类算法的关键步骤。 针对传统谱聚类算法计算复杂度高难以应用到大规模图像分割处理的问题，提出了基于半监督的超像素谱聚类彩色图像分割算法。该算法利用超像素将彩色图像进行预分割，利用用户提供的少量标记信息构造预分割区域的基于半监督的模糊相似性测度，利用该相似性测度构造预分隔区域的相似性矩阵并通过规范切图谱划分准则对预分割区域进行划分得到最终的图像分割结果。由于少量标记信息和模糊理论的引入，提高了传统谱聚类的分割性能，对比实验也表明该算法在分割效果和计算复杂度上都有较大的改善。

烟丝检测分割代码，基于python和opencv实现，可以实现图片中烟丝的检测（并过滤细小颗粒），并计算出烟丝的面积和宽度属性。