数字图像考试案例分析，或者个人爱好！！！！！你懂得！！！

深度学习在医学影像分割领域得到广泛应用,其中,2015 年提出的 U-Net 因其分割小目标效果较好、结构具有可扩展性,自提出以来受到广泛关注.近年来,随着医学图像割性能要求的提升,众多学者针对 U-Net 结构也在不断地改进和扩展,比如编解码器的改进、外接特征金字塔等.通过对基于 U-Net 结构改进的医学影像分割技术,从面向性能优化和面向结构改进两个方面进行总结,对相关方法进行了综述、分类和总结,并介绍图像分割中常用的损失函数、评价参数和模块,进而总结了针对不同目标改进 U-Net 结构的思路和方法,为相关研究提供了参考.

卷 积 神 经 网 络 的 语 义 分 割 模 型 未 有 效 利 用 特 征 权 重 信 息 ，导 致 在 医 学 图 像 复 杂 场 景 中 分 割 边界出现欠分割现象。针对该问题，基于融合自适应加权聚合策略提出一种改进的 U-Net++网络，并将其 应 用 于 电 子 计 算 机 断 层 扫 描 影 像 肺 结 节 分 割 。 该 模 型 首 先 在 卷 积 神 经 网 络 中 提 取 出 不 同 深 度 特 征语义级别的信息，再结合权重聚合模块，自适应地学习各层特征的权重，然后将学习得到的权重加载到各个特征层上采样得到的分割图以得到最终的分割结果。在 LIDC 数据集和重庆大学附属肿瘤医院肺部 电 子 计 算 机 断 层 扫 描 数 据 集 上 进 行 了 分 割 实 验 ，所 提 方 法 的 交 叉 比 在 两 个 数 据 集 上 分 别 可 达 到80.59% 和 87.40%、骰子系数分别可达到 88.23% 和 90.83%。相比 U-Net 和 U-Net++方法，该算法有效提升了图像分割性能。本文方法能在肿瘤微小细节上实现精确分割 ，较好地解决了肺结节

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