原始的U-Net采用跳跃结构结合高低层的图像信息, 使得U-Net模型有良好的分割效果, 但是分割结果在宫颈细胞核边缘依然存在分割欠佳、过分割和欠分割等不足. 由此提出了改进型U-Net网络图像分割方法. 首先将稠密连接的DenseNet引入U-Net的编码器部分, 以解决编码器部分相对简单, 不能提取相对抽象的高层语义特征. 然后对二元交叉熵损失函数中的宫颈细胞核和背景给予不同的权重, 使网络更加注重细胞核特征的学习. 最后在池化操作过程中, 对池化域内的像素值分配合理的权值, 解决池化层丢失信息的问题. 实验证明, 改进型U-Net网络使宫颈细胞核分割效果更好, 模型也越鲁棒, 过分割和欠分割比率也越少. 显然, 改进型U-Net是更有效的图像分割方法.

PyTorch项目模板由以下工具赞助； 请通过查看并注册免费试用来帮助支持我们 PyTorch项目模板 聪明地实施PyTorch项目。 PyTorch项目的可扩展模板，包括图像分割，对象分类，GAN和强化学习中的示例。 考虑到深度学习项目的性质，我们没有机会考虑项目结构或代码模块化。 在处理了不同的深度学习项目并面对文件组织和代码重复的问题之后，我们提出了一个模块化项目结构来容纳任何PyTorch项目。 我们还想为社区提供各种PyTorch模型的基础。 这是和之间的联合工作 目录： 为什么使用此模板？ 我们正在为任何PyTorch项目提出一个基准，以帮助您快速入门，在此您将有时间专注于

针对传统阈值分割算法的一些缺点，通过将数字形态学与阈值分割算法相互结合提出了一种改进的阈值分割算法来进行脊椎图像分割，并将分割结果与传统图像分割方法得到的结果进行分析对比。结果显示本论文改进的阈值分割算法得到的脊椎分割图像与传统方法分割的图像相比在抑制噪声方面有好的效果，在对比度方面也优于其他传统的医学图像分割方法，最后设计了计算脊椎相邻椎体间的相对距离、相对椎体厚度及其变化率的有效算法，可为临床进一步应用提供参考。

针对复杂图像的分割问题，提出一种基于生物地理学优化（biogeography-based optimization，BBO）算法的二维交叉熵多阈值图像分割方法。根据二维直方图斜分法得出交叉熵阈值选取公式，并将此推广到多阈值分割，以求得多个极值提高分割效果。由于二维交叉熵法在多阈值分割时计时长、复杂性高等问题，引入BBO算法的思想，实现对多个阈值快速精确的寻优。最后，对标准图像进行分割以验证该算法，结果表明此算法比二维交叉熵穷举法计算效率高。

图像分割算法的研究与实现 图像分割算法的研究与实现 图像分割算法的研究与实现

语言：MATLAB—图像分割系统设计（多方法，文章万字）

基于区域的图像分割基本上已由 Chan-Vese (CV) 模型解决。 然而，当图像受到超过实际图像对比度的伪影（异常值）和光照偏差的影响时，该模型会失败。 在这里，我们实现了一个用于分割此类图像的模型。 在单个能量函数中，我们引入了 1) 防止强度异常值扭曲分割的动态伪像类，以及 2) 以 Retinex 方式，我们将图像分解为分段常数结构部分和平滑偏置部分。 然后，CV 分割项仅作用于结构，并且仅作用于未被识别为工件的区域。 分割使用相场参数化，并使用阈值动态有效地最小化。 有关理论和算法的完整描述，请参阅 D. Zosso、J. An、J. Stevick、N. Takaki、M. Weiss、LS Slaughter、HH Cao 的论文“Image Segmentation with Dynamic Artifacts Detection and Bias Correction”

【图像分割】基于最大类间方差阈值与遗传算法的道路分割

【图像分割】 GUI图像提取【含Matlab源码 702期】.zip

一种基于灰度共生矩阵的指纹图像分割方法。经过了matlab仿真测试。