【图像分割】基于最大类间方差阈值与遗传算法的道路分割

github上的一个深度学习模型，用来进行道路分割https://github.com/hlwang1124/SNE-RoadSeg

基于极限学习机的道路分割的matlab代码 机器学习的

背景 语义分割是深度学习中的一个非常重要的研究方向，并且UNet是语义分割中一个非常经典的模型。在本次博客中，我尝试用UNet对camvid dataset数据集进行道路分割，大致期望的效果如下： 原图 道路分割效果 本博客的代码参考了以下链接： https://github.com/milesial/Pytorch-UNet https://github.com/qubvel/segmentation_models.pytorch 数据集介绍及处理 之前的博客里，我几乎不怎么介绍数据集，因为用到的数据集比较简单；但是在使用camvid dataset的时候，我脑袋都大了，用了两三个小

【图像分割】基于最大类间方差阈值与遗传算法的道路分割matlab源码.md

研究道路图像分割问题。针对现有的基于消失点约束的道路图像分割方法过于依赖道路的边缘特征，导致容易出现过分割的问题，提出一种融合道路纹理、路面与非路面颜色特征提高道路图像分割精度的方法。算法基于消失点约束的直线道路模型，将道路分割转换为贝叶斯后验概率密度估计问题。该算法利用方向一致性比例来描述道路的纹理特征，及通过非线性转换函数及自监督策略计算图像像素与“路面”像素的相似性，凸显出图像中的路面区域，以此作为路面与非路面视觉特征测量的概率原型。算法利用了纹理、路面与非路面颜色三种视觉特征各自的优点，通过最大化贝叶斯后验概率密度估计分割出路面。通过与无监督或半监督道路分割研究领域最具代表性的方法进行比较，实验结果表明本文方法的精度更高。究基于双目视觉的道路场景三维重建与障碍物检测技术。光照变化、视差不连续、遮挡及弱纹理区域歧义匹配，以及实时性和资源消耗等是目前面向智能车辆的双目视觉算法所存在的主要问题。虽然在某一方面国内外研究已经取得了丰硕的成果，但是目前还没有相关研究能在保证系统精度与实时性的前提下综合性地解决好以上几个难题

2235张图片，已标注，可用于道路分割，坑洼，裂缝等算法