近年来一些学者将模糊理论引入到图像分割中，较传统方法取得了更好的分割效果。 本文在研究传统的模糊阈值分割和模糊聚类分割的基础上，提出了以下改进的新方法： 1．针对目标／背景两类图像分割问题，考虑二维灰度直方图，采用了一种更符合图像空间分布特点的隶属函数，建立了对应的二维图像模糊熵，并采用遗传算法对二维图像模糊熵的各个参数进行优化，根据最大模糊熵准则，确定目标和背景的晟佳分割阈值；实验结果表明，基于遗传算法的二维最大模糊熵阈值分割法具有较好的分割性能和较快的分割速度，对噪声有一定的抑制能力。另外，针对多目标的复杂图像分割问题，本文聚用了一种三类阈值分割法，该方法将图像分为暗区、灰度区和亮区，通过建立相应的模糊隶属函数，对图像各个灰度级属于暗区、灰度区和亮区的模糊特性进行描述，应用指数熵的概念，基于概率分析，引进了一种新的模糊熵定义；并根据最大模糊熵准则，应用遗传算法，确定最佳的分割阈值：实验结果表明，基于遗传算法的三类阈值分割法能快速有效地分割复杂图像。 2．针对传统的模糊c均值聚类(FCM)图像分割方法未考虑图像的空间信息，本文采用了一种结合空问信息的模糊C均值聚类分割算法；该方法将图像的二维直方图引入传统的模糊C均值聚类算法，并对隶属函数做了改进；依据平方误差和最小准则，来确定模糊分类矩阵及聚类中心；最后，依据最大隶属度原则，划分图像像素的类别归属；实验结果表明，结合空间信息的模糊C均值聚类分割方法对含噪图像有效，分割效果较好。另外，针对二维直方图模糊化处理时存在空问信息损失问题，而马尔可夫随机场(MRF)理论能准确描述图像像素Ⅻ的空间相互关系，本文采用了一种基于马尔可夫随机场的模糊c均值聚类图像分割方法，利用MRF理论所描述的邻域关系属性．以Gibbs能量的形式引入先验的邻域约束信息，建立了包含灰度信息与空问信息的聚类目标函数，依据平方误差和最小准则，束确定模糊分类矩阵及聚类中心：最后，依据最大隶属度原则，划分图像像素的类别归属，以改善传统FCM算法的分割质量；实验结果表明，该方法能准确有效地分割图像，且具有较强的抗噪能力。

isodata的matlab代码博客reitna-segmentation 视网膜图像分割提取血管复杂结构 详情见： 用法：运行 mainDemo.m 步骤 1：从文件夹“retina_images\1.tif”读取 matlab 工作区中的视网膜图像。 步骤 2：将分割算法应用于输入的视网膜图像。 ISODATA算法用于从视网膜图像中分割血管。 使用迭代 isodata 方法的 ISODATA 计算全局图像阈值。 LEVEL = ISODATA(I) 计算可用于将强度图像转换为具有 IM2BW 的二值图像的全局阈值 (LEVEL)。 LEVEL 是一个归一化的强度值，位于 [0, 1] 范围内。 这种选择阈值的迭代技术是由 Ridler 和 Calvard 开发的。 视网膜分割图像： 步骤 3：加载真实图像（label_images/1.tif）以比较分割算法的结果。 现在我们有两个图像。 即一个是ground truth，另一个是分割结果。 为了比较算法的性能，我们计算了“真视网膜”和“假视网膜”以及“真背景”和“假背景”。 以下代码部分显示了上述参数的计算 number_of_p

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码，适合科研人员

为解决工业计算机层析成像(CT)图像的伪影和弱边缘问题,提出一种基于小波变换的图像区域可伸缩拟合能量最小化分割方法,实现图像边缘的精确定位,从而提高图像测量精度。首先,采用小波变换对图像进行预处理,降低金属伪影。然后,采用所提方法精确分割图像,提高感兴趣区域边缘的定位精度。实际数据测量结果表明,所提方法可有效降低图像弱边缘的影响,测量相对误差低于0.7%,相较Chan-Vese算法,测量精度提高了1.4倍,满足实际测量需求。

图像分割u-net网络代码，基于pytorch

提出了一种新的图像特征提取中选取最优小波分解树的方法．塔式小波分解对信号解不够全面，而小波包全分解又引入庞大的计算量，因此小波分解最优树的选取尤为重要．结合模糊C均值(FCM，Fuzzy C-Mean)聚类，提出了一种能同时进行小波自适应分解和纹理特征分类的纹理图像分割方法，该方法将无监督聚类中的聚类有效性参数弓l入到自适应小波分解的判决中，能根据无监督聚类分割的需要，自适应地选取小波包分解的树形结构和分解层数．相对于小波包全分解，节省了大量的运算，并能取得良好的分割效果．

matlab图像分割系统。带界面GUI。多方法。

MATLAB平台：图像分割系统设计（多方法，文章万字）

为了提高图像分割的速度和精度，提出了一种新的基于ChanVese水平集模型(CV模型)的梯度加速分割模型。首先，在CV模型的能量函数中加入一个内部能量项，抵消演化过程中水平集函数和符号距离函数的偏差，从而消除分割中周期性重新初始化的过程；其次，提出了梯度加速项，通过感兴趣区域的图像特征，快速得到该区域的边界，且能够提高弱边界的分割精度。实验证明，提出的方法不仅能够加速特定区域的分割、提高分割精度，还能保持分割过程的稳定性。