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。

作者 | 黄浴，奇点汽车美研中心首席科学家兼总裁 转载自知乎   AI科技大本营编辑 简单回顾的话，2006年Geoffrey Hinton的论文点燃了“这把火”，现在已经有不少人开始泼“冷水”了，主要是AI泡沫太大，而且深度学习不是包治百病的药方。 计算机视觉不是深度学习最早看到突破的领域，真正让大家大吃一惊的颠覆传统方法的应用领域是语音识别，做出来的公司是微软，而不是当时如日中天的谷歌。计算机视觉应用深度学习堪称突破的成功点是2012年ImageNet比赛，采用的模型是CNN，而不是Hinton搞的RBM和DBN之类，就是Hinton学生做出来以他命名的AlexNet。 （注：顺便提

乳腺癌超声图像数据集-Breast Ultrasound Images Dataset，所有图像均分为正常、良性和恶性，每个图像都有标记，可用于乳腺癌图像分类，分割等研究，该资源国外网站可下载，但是国内速度较慢，特此上传。

本代码利用meanshift的方法进行图像分割和边缘检测。代码1在m.main里可以直接运行（图片已经存放在相应目录下），代码2注意一下图片文件路径即可。代码1是利用rgb三个维度进行meanshift分割，代码2利用luv三个维度进行分割。代码比较容易理解，希望大家能够enjoy it。

本代码利用meanshift的方法进行图像分割和边缘检测。代码1在m.main里可以直接运行（图片已经存放在相应目录下），代码2注意一下图片文件路径即可。代码1是利用rgb三个维度进行meanshift分割，代码2利用luv三个维度进行分割。代码比较容易理解，希望大家能够enjoy it。

图像分割

用于疲劳检测的数据集，数据集分为两类：疲劳状态和非疲劳状态，每个状态下都是人脸部图像的分割图像。  在该模型架构下：将人脸图像作为输入，从中检测并裁剪出面部特征点，这些裁剪出的面部特征，如眼睛、眼圈（眼睑）、鼻子、嘴巴以及整个面部皮肤图像等五个部分分别作为输入有针对性的训练各个模型，然后各个模型将预测返回输入图像所对应的疲劳值，最终将这些值加权求和，（眼睛和黑眼圈的权重更高）最终值来确定一个人的疲劳程度。