常规图像处理包括预处理，边缘检测，图像分割以及形态学处理，带GUI界面

存在严重病变时在CT中自动进行肺分割 该软件包提供了用于肺分割的训练有素的U-net模型。 目前，有四个模型可用： U-net（R231）：该模型在覆盖范围广泛的视觉变异性的庞大而多样的数据集上进行了训练。 该模型对单个切片进行分割，分别提取左，右肺，气袋，肿瘤和积液。 气管将不包括在肺分割中。 U-net（LTRCLobes）：该模型是在数据集的子集上训练的。 该模型对单个肺叶进行分割，但是当存在密集的病理或每个切片都不可见裂痕时，其性能有限。 U-net（LTRCLobes_R231）：这将运行R231和LTRCLobes模型并融合结果。 来自LTRCLobe的假阴性将由R231预测填充，并映射到邻居标签。 LTRCLobe的误报将被删除。 融合过程的计算量很大，视数据和结果而定，每卷可能要花费几分钟。 两种模型的应用实例。 左： U-net（R231），将区分左肺和右肺，并包括非常密集的区域，例如积液（第三排），肿瘤或严重纤维化（第四排）。 右： U-net（LTRLobes）将区分肺叶，但不包括非常密集的区域。 LTRCLobes_R231将融合LTRCLobe和R2

SLIC超像素分割MATLAB代码

医学影像分割是从二维或三维医学影像中检测出目标对象的边界,获取正常 组织器官及肿瘤病变区域，其分割技术在诊断的形态和解剖分析、治疗前的活检 引导与路径规划、治疗中的跟踪与定位、预后的病情进展变化等方面有着重要的 临床意义。虽然基于机器学习的全自动分割算法目前在多模态医学影像分割上取 得了众多的研究成果，并展示出其优秀的分割性能。然而，不同模态的成像技术 受噪声、部分容积效应和图像强度信息不均匀等因素影响，严重降低了图像质量 而引起边界定位困难。加之，肿瘤及组织器官解剖多样性和在不同模态图像上的 特异性表达及空间与时间分辨率各有不同，从而增加了目标对象的复杂性,因此， 全自动、稳定、鲁棒和准确的医学影像分割依然具有较大的挑战。 为解决上述难题，本论文进行了如下研究:从边界识别和形状多变自适应能 力的角度研究提升分割算法精度的方法;研究数据驱动的乳腺超声(Breast Ultrasound, BUS)、肝脏计算断层成像(Computed Tomography,CT)、前列腺磁 共振(Magnetic Resonance Imaging， MRI)的跨模态图像精准分割算法;调研分 析和验证分

OSTU算法实现背景差分的自适应分割算法,有完整的代码和论文(opencv)_OSTU算法_背景差分_自适应分割算法_VC++

彩色图像分割一直是彩色图像处理与分析中最为困难的不可缺少的步骤，针对图像分割质量直接在很大程度上影响了图像后期分析的效果，提出了一种基于HSI和LAB颜色空间的彩色图像分割方法。该方法在HSI颜色空间用最优阈值方法进行阈值分割，在LAB颜色空间采用基于K均值聚类图像分割，然后将两次分割结果进行区域合并，最后进行加窗滤波消除噪声。对林区活立木真彩色图像进行分割的实验结果表明，该方法能够精准地将活立木从背景中提取出来。

impGraphcut 交互式分割算法的 AC/C++ 实现，来自原始论文的 Graph-cut： Boykov 等人，用于 ND 图像中对象的最佳边界和区域分割的交互式图形切割，ICCV 2001。 使用 OpenCV 库。 使用最大流量优化。 提出使用多个特征融合的改进方案。

1、通过滑动窗口分类检测 2、多尺度（和纵横比）来检测不同大小的对象 3、困难负例挖掘的重要性（由于类不平衡） 4、通过仅选择窗口子集来加速训练和推理 5、使用 CNN 进行对象类别检测 两阶段方法：Faster R CNN 一段式方法：SSD 评价数据集：COCO 6、涉及最先进的方法最近的改进 模块：特征金字塔网络、焦点损失 培训：复制粘贴数据增强 架构：RetinaNet、CenterNet、FCOS、Mask R CNN、DETR、Swin 7、实例分割 8、使用移位窗口的分层视觉转换器 9、DETR：使用变压器进行端到端对象检测 10、复制粘贴和大规模抖动数据增强 11、对象检测、分割、实例分割等的新基准数据集： LVIS（Large Vocabulary Instance Segmentation）：1200个类别，164K 图像，220万个实例分割

MFC对话框分割条拖动控件，水平垂直任意分隔拖动

_基于遗传优化算法的图像分割matlab仿真，matlab2021a测试。