基于参数模型的运动目标分割方法研究.doc

该算法主要针对图像和背景进行差分计算，可以将目标进行快速的提取出来

该工具箱实现了一种基于能量的分割算法，该算法使用基于有限差分的水平集演化。 （见[1]、[2]）。 实现了曲线演化的多尺度控制——这大大减少了对初始化的敏感性以及提高执行速度系数为 10-1000 甚至更多（[3]）。 给定一个分割问题，可以使用这个 GUI 来找到适当的参数将为所使用的图像类别生成所需的分区。 如果需要，工具箱中的函数可以重新用于脚本算法。 笔记： 这不是一个完整的多重网格算法，比例导航在“手册”中提供模式，用于“图像学习”。 一旦你掌握了它，你就可以编码bit in。在同一行，计算并显示错误，但没有决定采取，迭代控制也留在“手动”。 有关算法的详细信息，请参阅最后的参考资料。 从 GUI 可以： - 使用加载/保存菜单加载数据并保存中间状态- 选择分割参数（Mu、Lambda+、Lambda-、dt、Nu） - 迭代（放松）选定的步骤数- 延长，限制，重新距离

可以很好的实现图像分割,大家可以试验以下

注意到我可以在 MATLAB File Exchange 上找到的所有 Hausdorff 距离函数似乎都计算所有成对的点对点距离，这使得它们对于大图像非常慢，我觉得有必要编写一个使用距离变换 bwdist 的版本 imhausdorff，因此对大型图像数据进行线性缩放。 该代码应该适用于任何尺寸的图像。 请尝试帮助文本中的示例。 还包括点云版本 hausdorff。 适用于小数据集。 / 乔金

提出一种有效的三维点云骨架分割的方法,分割后的结果可用于三维点云物体识别和分类。利用稳健性较强的L1-中心骨架算法对点云数据进行骨架提取,可得到一系列骨架点;利用基于八叉树的区域增长分割方法对已经得到的骨架点进行分割,选取法向量和残值作为判定标准;利用OpenGL库编程把分割出的各个部分进行骨架连线。对多种形状的点云数据(包括动物模型、植物模型、人体模型、字母模型)进行实验,该方法均得到较好的结果。

面向脑血管分割的改进型非局部均值滤波算法研究.docx

使用sift算法提取特征点，对目标图片进行匹配。使用匹配结果计算 目标物体所在矩形范围，作为参数传入grabcut，同时将sift算法的匹配点作为前景点传入grabcut函数，实现图像分割。

使用sift特征提取目标物与目标图片的特征点，进行匹配，从而找出目标物在图片中的范围，将该范围作为矩形区域传入grabcut函数，同时将匹配特征点作为前景点传入grabcut函数，进行图像分割。实验结果显示出不错的图像分割结果。

DICOM医学影像图像，供学习使用，可用于图像分割实验。医学影像图片，方便做图像分割测试用，医学影像图片，方便做图像分割测试用，