采用pytorch深度学习框架实现的deeplab_v3+语义分割任务，谷歌deeplab系列性能最好也是最复杂的一个版本，可满足绝大部分基础语义分割场景。主干网络在算力不足时可选择轻量版的mobilenet_v2，算力足够时可选择Xception。 deeplab_v3+：用一个简单有效的解码器模块扩展deeplab_v3优化细分结果，尤其是沿目标边界。此外，在这种编码器 - 解码器结构中，可以通过空洞卷积任意地控制所提取的编码器特征的分辨率，以平衡准确率和运行时间。 本代码可作为入门计算机视觉语义分割任务时的学习了解用处，也可作为高校大学生的毕业课程设计使用。

 文中提出了一种肝脏在CT（Computed Tomography）图像中的半监督自动分割方法。该方法采用深度协同训练模型以解决医学图像领域中有标签数据获取困难且成本高的问题。首先利用有标签数据建立U-Net和2D V-Net两种分割网络，并分别对无标签数据进行分割，然后对分割结果进行粗略挑选，再进行精细挑选，最后将置信度较高的伪标签加入到训练集中，重复此过程直到对验证集分割结果的Dice值不再增大时为止。提出的方法可以减少迭代过程中累积的误差，在2017 Liver Tumor Segmentation（LiTS）数据集上的结果表明，该方法与全监督学习相比可以有效提高分割精度。

目录说明: data:数据集 自行将images文件夹添加到data目录下 source:源码 Coelho2009_ISBI_NuclearSegmentation: ,该源码可以运行通与最新jug兼容. 但主要还是通过以下方法对源码进行跟踪. 环境准备: 在机器上安装好python,pip包管理工具 在该根目录下直接安装所需的软件依赖包: $sudo apt-get install libfreeimage-dev #解决FreeImage报错, $sudo apt-get install libmagick++-dev 主要是应为缺少freeimage开发库. 使用如下命令安装相关python依赖包: pip install -r requirements.txt (#numpy cast bug已解决) 代码运行: 进入到sources目录后, 运行以下语句 python jug

计算机视觉四大任务（分类、定位、检测、分割） 计算机视觉.pdf

深度学习计算机视觉五大技术：图像分类、对象检测、目标跟踪、语义分割和实例分割 计算机视觉.pdf

计算机视觉-----图像分割综述 计算机视觉.pdf

【计算机视觉】图像分割（GraphCut） 计算机视觉.pdf

计算机视觉：图像分割算法综述总结 计算机视觉.pdf

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).rar

针对传统基于像素的显著性模型存在的边缘模糊、不适于低对比度环境等问题,提出一种基于双目视觉信息的显著性区域检测方法.采用简单线性迭代聚类(SLIC)方法对图像进行超像素分割,将生成的超像素区域进行合并.通过计算各区域在左右视图的相对移动距离获取物体深度信息,以区域为单位分别计算颜色对比度及深度对比度,进行合成得到区域的显著性值.结果表明,生成的显著性图轮廓清晰,边缘锐利,同等条件下近处及深度变化显著的区域能够获得更高的显著性.该方法符合人类视觉感知特征,适用于移动机器人障碍物检测及场景识别.