车牌字符分割算法的比较研究.doc

最优化课程设计--黄金分割法及其算法实现.doc

基于H-minima(迭代H-极小值)的标记控制分水岭细胞核分割的MATLAB实现

有时候有些10多个G的日志文件打不开，可以使用这个软件打开及分割 亲测有效！ 目录下的LogViewPro.CHS是汉化文件，如果想体验英文原版，把该文件重命名或删除即可。

通过边界特性选择阈值 基本思想：改善直方图的波峰形状，我们只把区域边缘的像素绘入直方图，而不考虑区域中间的像素。用微分算子，处理图像，使图像只剩下边界中心两边的值。这样直方图的各个波峰很高、很窄、对称，且被很深的波谷分开时，有利于选择阈值。 优点：1) 在目标和背景所占区域面积差别很大时，不会造一个灰度级的波峰过高，而另一个过低；2)边缘上的点在区域内还是区域外的概率是相等的，因此可以增加波峰的对称性。

风格迁移技术迅速发展的今天,全局风格迁移技术已基本成型,但它在实际的应用过程中存在不能对图片的目标区域进行局部风格迁移等问题。针对以上问题,本文在卷积神经网络的基础上结合残差网络,提出了一种基于残差式神经网络的局部风格迁移方法。首先,利用掩模技术对内容图进行分割,提取目标区域;其次,卷积神经网络提取图片特征并进行特征融合;然后,使用残差网络加快生成图的形成速度;最后,通过反卷积生成一张只对目标区域完成风格迁移的图片。在Microsoft Coco2014数据集上设计了多个实验,实验结果表明,所提出的基于残差式神经网络的局部风格迁移网络模型具有较好的局部风格转换能力,并且具有较高的执行效率。

1 K-Means聚类 K-Means聚类是最常用的聚类算法，最初起源于信号处理，其目标是将数据点划分为K个类簇，找到每个簇的中心并使其度量最小化。该算法的最大优点是简单、便于理解，运算速度较快，缺点是只能应用于连续型数据，并且要在聚类前指定聚集的类簇数。 下面是K-Means聚类算法的分析流程，步骤如下： 第一步，确定K值，即将数据集聚集成K个类簇或小组。 第二步，从数据集中随机选择K个数据点作为质心（Centroid）或数据中心。 第三步，分别计算每个点到每个质心之间的距离，并将每个点划分到离最近质心的小组，跟定了那个质心。 第四步，当每个质心都聚集了一些点后，重新定义算法选出新的质心。

提出了一种基于分水岭变换和核聚类算法的图像分割算法.通过分水岭变换把图像分割成多个小区域,为实现过分割小区域的合并,利用 Mercer核把各小区域的灰度平均值映射到高维特征空间,使原来没有显现的特征突现出来,在特征空间进行更准确的聚类,为下一步图像分析提供较为准确的分割区域.实验结果证明了该算法的可行性和有效性.

该程序从图像中分割和提取对象。

对于医学序列切片,图像上像素之间的间隔常常小于切片之间的距离,而在图像处理中,常常需要它们有一致的分辨率.对于已分割的切片图像,插入的切片图像也应是已分割的图像.本文提出了一种图像插值的局部算法,该算法在产生新插入图像每点的分割信息与颜色信息时,计算只与相邻切片图像的局部像素值有关.因此既保持了相邻切片的物体形状过渡自然,又具有良好的数值稳定性.应用该算法于医学序列切片进行插值时,可达到良好的视觉效果.算法已成功应用于医学数据的三维重建系统.