matlab图像处理算法：HSV色彩分割+形态学滤波+区域生长

实现计算机视觉(Computer Vision)中的Haralick区域增长算法(Haralick Region Growing Algorithm)用于实现图像分割。

纸 ： 您会在一些关键功能中找到一些有用的注释，这可能有助于从本文中找到详细的说明。 ENV： 操作系统：Win10 的Python 3.6.3 CUDA 8.0 pytorch Windows-py3.6-cuda8 PIL 4.3.0 numpy的1.13.3 如何使用 ： Gen Image数据集：首先下载CelebA，然后在train.py文件中运行“ gen_classified_images”功能。 if __name__ == "__main__": gen_classified_images(r"E:\workspace\datasets\CelebA\Img\img_align_celeba", centre_crop=True, save_to_local=True) 此功能只是调整原始图像的大小，如果您想测试CelebA-HQ数据集，请遵循说

如果您使用这些代码，请引用我们的ICCV2017论文：深度学习。 \ bibitem {WangICCV2017} G.〜Wang，X.〜Xie，J.〜Lai和J.〜Zhuo，《深度学习》，载于ICCV，第2812-2820页，2017年。

此代码根据所选像素（种子）的值及其所属的阈值区域对区域进行分段。 基于考虑四个相邻像素的区域生长算法。

分类过程是分析高光谱图像数据的重要任务之一。 支持向量机（SVM）是最流行和使用最广泛的分类器，其性能正在不断提高。 近来，与仅考虑像素的光谱特征的方法相比，利用空间和光谱信息的方法更加充分，鲁棒，有用和准确。 在本文中，通过使用空间像素关联（SPA）处理从高光谱数据中提取区域纹理信息，以进一步提高SVM技术的分类性能。 为了提高分类的准确性，提出了一种利用SPA特征的支持向量机的新方法。 此外，该手稿中还提出了一种可用于解决像素不正确问题的新方法，即“增长类的控制过程”（CPoGC）。 为了证明所提方案的有效性，我们进行了印度松站点（IPS）上的AVIRIS高光谱数据实验，以将所提出的分类方法与一些现有的基于SVM的技术（例如SC-SVM和PSO-SVM）进行比较，以及一些传统的方法，例如K-NN和K-means。 实验结果表明，所提出的方法明显优于这些众所周知的分类算法。

测试驱动的面向对象软件开发（Growing Object-Oriented Software, Guided by Tests）

实现计算机视觉(Computer Vision)中的Haralick区域增长算法(Haralick Region Growing Algorithm)用于实现图像分割。

20210712-App_Growing-传媒行业：2021上半年移动广告流量观察白皮书.pdf

生长神经气体 (GNG) 神经网络属于拓扑表示网络 (TRN) 类。 它可以学习有监督和无监督。 在这里，实现并演示了在线无监督学习模式。 它的学习方法结合了改良的 Kohonen 学习来调整神经元的位置，并结合竞争性赫布学习 (CHL) 来进行连接。 有关详细信息，请参阅参考文献。 [1]。 为了使主脚本 (gng_lax.m) 发挥作用，您必须首先使用相应的数据生成器选择并生成流形（数据）。 欲获得有关竞争性学习方法系列的详尽报告，请咨询参考。 [2]。 参考[1] Fritzke B. “A Growing Neural Gas Network Learns Topologies”，神经信息处理系统进展 7，麻省理工学院出版社，马萨诸塞州剑桥，1995 年。 [2] Fritzke B.“一些竞争性学习方法”，1997 年可在： https ://pdfs.semanticsch