用于光学图像与sar图像等超像素segmentation与classification，c++ 代码实现。

图分类实验 描述 它能做什么 怎么跑 一，安装依赖 # clone project git clone https://github.com/YourGithubName/your-repo-name cd your-repo-name # optionally create conda environment conda update conda conda env create -f conda_env.yaml -n your_env_name conda activate your_env_name # install requirements pip install -r requirements.txt pip install hydra-core --upgrade --pre 接下来，按照以下说明安装pytorch geometric： 现在，您可以使用默认配置训练模

对高光谱图像执行基于 SLIC 超像素的降维，然后是基于 SVM 的分类，如论文中所述： X. Zhang、SE Chew、Z. Xu 和 ND Cahill，“SLIC Superpixels for Efficient Graph-Based Dimensionality Reduction of Hyperspectral Imagery”，Proc。 SPIE 防御与安全：多光谱、高光谱和超光谱图像的算法和技术 XXI，2015 年 4 月。

matlab灰度处理代码 ###################################################### #######方法1：superpixels_seeds##### ###################################################### 超像素分割方法，采用论文 SEEDS: Superpixels Extracted via Energy-Driven Sampling 提出的方法，对于物体的边界具有较好的保留，如下图所示。可以辅助目标检测中制作Banchmark。 本工程在其基础上，获得的图像labels和contours，然后分别实现区域种子填充，Windows下编译环境为： OpenCV CMake Visual Studio 工程demo包括： SuperSeedsTest: SEEDS 提供的用例，可获取超像素分割labels和contours SeedFillTest : 基于labels种子填充子块 BoundaryFillTest : 基于contours种子填充子块 备注：无需配置cmake

基于超像素的图像分割方法的最原始文献，里面详细介绍了超像素

Robust Range Image Segmentation Based on Coplanarity of Superpixels

Saliency Detection with Multi-Scale Superpixels对应的源码

生成的超像素如同细胞一般紧凑整齐，邻域特征比较容易表达。这样基于像素的方法可以比较容易的改造为基于超像素的方法。不仅可以分割彩色图，也可以兼容分割灰度图。需要设置的参数非常少，默认情况下只需要设置一个预分割的超像素的数量。 相比其他的超像素分割方法，SLIC在运行速度、生成超像素的紧凑度、轮廓保持方面都比较理想。