目录1.介绍2. 分水岭算法的实现距离变换连接连通分量3.代码1.介绍图像是由x，y表示的，如果将灰度值也考虑进去的话，那么一幅图像需要一个三维的空间去表示。这样就可以把x，y轴比作大地，将灰度值的z轴比作地面上的坡度。因为图像的灰度值是不均匀的，那么也意味着这个地面也是坑坑洼洼的。那么试想一下，下雨的时候，由于地面是不平坦的，雨水会顺着高的地面流向地处。必然会导致有的地方堆满了水，有的地方由于地势较陡，没有雨水分水岭算法就是利用这种“地形学”，或者说灰度值的不均匀对图像进行分割。 在这种将图像类比成地形的方法里，主要考虑三种点：属于区域极小值的点水滴所在位置的点，如果把水滴放在任意位置，水滴

文章目录前言一、strtok函数是什么？二、字符串分割的步骤三、替代方案：strtok_r函数前言strtok函数的作用是比较独特的，可以用来对字符串进行分割，对于我们获取命令或者数据集合后的数据处理是不可或缺的一步。但是详细介绍strtok的博文很少，而且linux手册的介绍也比较简单，这边写篇博文记录一下学习到的这个函数的用法。一、strtok函数是什么？函数定义如下：strtok()函数，将字符串分解为一组字符串声明：char*strtok(char*str,constchar*delim);头文件：#includestring.h>参数： str:源字符串指针，即分割之前的字符串 de

书名：代码本色：用编程模拟自然系统作者：DanielShiffman译者：周晗彬ISBN：978-7-115-36947-5第7章目录先掌握用ProcessingSketch创建和可视化WolframCA模型的方法。7.3　如何编写初等细胞自动机1、数组表示CA你也许会想：“我知道模拟细胞的思路，它有一些属性（状态、迭代次数、邻居细胞和在屏幕上的像素位置）。除此之外，它可能还有一些功能（显示自身、产生新状态）……”这样的思路是正确的但我们不想采用这种方法。在本章的后面，我们会讨论面向对象方法在CA模拟上的重要性；但在最开始，本例可以使用更初级的数据结构。毕竟，这个初等CA只是由“0和1”构成的

最近开始接触单细胞数据，网上也有很多学习资料，琳琅满目，我也挑了一些视频资料进行学习，不过感觉还是需要进行实战训练才能更好地掌握这些知识，所以选了一篇2021年发表在naturecommunications的文章进行学习。文献：Single-cellRNAsequencingrevealsfunctionalheterogeneityofglioma-associatedbrainmacrophagesGSE：GSE136001一、数据下载并整理下载数据：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE1360011.png2.png

这里写目录标题详情摘要详细介绍详情论文：Masked-attentionMaskTransformerforUniversalImageSegmentation代码：官方-代码代码视频：b站论文讲解笔记参考：翻译版摘要Mask2Former在MaskFormer的基础上，增加了maskedattention机制，另外还调整了decoder部分的self-attention和cross-attention的顺序，还提出了使用importancesampling来加快训练速度。本文的改进呢**主要是maskattention还有high-resolutionfeatures，**本质上是一个金字塔

[目录]0.前言1.耳切法（1）基础的概念（2）耳点判断（3）判断角度类型（4）点是否在三角形内（5）判断顺逆时针2.耳切法小优化3.耳切法小优化24.耳切法实现（1）基础定义（2）实现5.测试6.结束咯0.前言有个小需求是分割一下多边形，顺带记录一下。通常来说多边形的形状都比较复杂，不好进行操作，这个时候如果我们可以把一个多边形分隔为若干个三角形，回归到简单基础的形状就方便我们操作。三角形化在渲染显示中还是挺多用的。下文未列出，但涉及到的代码链接如下。//2023.0615更新：添加“3.耳切法小优化2”；调整”4.耳切法实现”；更新代码链接；链接：https://pan.baidu.com

目录1.多阈值处理介绍2.代码讲解3.完整代码1.多阈值处理介绍之前介绍的都是全局单个阈值对图像的分割。固定阈值法，阈值是人工根据灰度直方图的波谷进行设置的。全局阈值法，根据不停的迭代两个区域间的平均灰度进行分割。OUST最大类间方差法，是根据两个子区域不同类之间的最大方差分割。事实上，OTSU大津法可以扩展到任意数量的阈值只需要将之前两个类的类间方差更改为三个类即可： P1是第一个区域的像素概率，及落在第一个区域的像素点/总像素点个数 P2、P3是落在第二、第三区域的概率。因此满足P1+P2+P3=1 mG是整幅图像的平均灰度，m1、m2、m3是三个区域各自的平均灰度 它们有着下面的关系： 

【深度学习入门到进阶】必看系列，含激活函数、优化策略、损失函数、模型调优、归一化算法、卷积模型、序列模型、预训练模型、对抗神经网络等专栏详细介绍：【深度学习入门到进阶】必看系列，含激活函数、优化策略、损失函数、模型调优、归一化算法、卷积模型、序列模型、预训练模型、对抗神经网络等本专栏主要方便入门同学快速掌握相关知识。后续会持续把深度学习涉及知识原理分析给大家，让大家在项目实操的同时也能知识储备，知其然、知其所以然、知何由以知其所以然。声明：部分项目为网络经典项目方便大家快速学习，后续会不断增添实战环节（比赛、论文、现实应用等）专栏订阅：深度学习入门到进阶专栏深度学习应用项目实战篇深度学习应用篇

1.引言本文重点介绍如何利用传统的图像处理的方法来进行OCR字符切分，进而可以用分割后的单个字符做相应的后续任务，虽然现在计算机视觉依然是卷积神经网络的天下，但是对于一些相对简单的落地场景传统方案还是很有效的。闲话少说，我们直接开始吧！2.基本概念OCR:全称OpticalCharacterRecognition，光学字符识别Segmentation:是指在图像处理领域中将整张图像分解为多个子部分以进行进一步处理的过程。OCRSegmentation:是指将包含文本的图像分解成多个小部分，以识别背景中的文本。本文主要通过Python中的计算机视觉处理库OpenCV来实现上述过程。3.读入图像一

作者：禅与计算机程序设计艺术1.简介图像处理在科技行业中占据着重要的一席之地，从古至今，图像处理始终都是计算机视觉领域的基础课题。如何提取图像中的有效特征作为机器学习模型的输入，是一个在深度学习、模式识别、图像处理等多个领域都十分重要的问题。过去几年来，由于近些年来的大数据和计算能力的飞速发展，基于神经网络的图像分类方法得到了迅猛发展。但是在实际应用中，面对复杂场景，一些微小的边缘变化可能会影响检测效果，特别是在目标检测、实例分割、视频监控等方面。针对这一问题，本文通过OpenCV来进行边缘检测，并将其应用到实例分割、对象跟踪以及景深拍摄等场景。　　本文首先简要介绍边缘检测的概念及其特点。然后