做图像处理时，我们可能会遇到一个问题：我们只需要图片的一部分区域，如何把图片中的某部分区域提取出来 或者 图像想要的区域用某种颜色（与其它区域颜色不一致）标记起来 ，以上描述的问题在像处理领域称为 图像分割

上篇文章介绍了 ITK 中的二值化分割，最终得到的是 二值图像（图像中只有两种像素值） 但有时我们会遇到另外一种需求，只改变某一阈值范围的像素值，其他部分保留；这时二值化分割已经满足不了我们的基本需求了，需要寻求另外一种方法。 本篇教程介绍 ITK 中的 General Threshold ，是二值化的改进版，可以只改变某一范围内的像素值，并且其它范围内像素值得到保留。

CVPR2022 | 开源：基于间距自适应查找表的实时图像增强方法

这篇论文旨在以极低的计算成本解决性能大幅下降的问题。提出了微分解卷积，将卷积矩阵分解为低秩矩阵，将稀疏连接整合到卷积中。提出了一个新的动态激活函数-- Dynamic Shift Max，通过最大化输入特征图与其循环通道移位之间的多个动态融合来改善非线性。

OCR文字识别在目前有着比较好的应用，也出现了很多的文字识别软件，但软件是面向用户的。对于我们技术人员来说，有时难免需要在计算机视觉任务中加入文字识别，如车牌号识别，票据识别等，因此软件对我们是没用的，我们需要自己实现文字识别。

使用图像识别技术进行客户端游戏自动化是一种比较通用快捷的做法，是一种不依赖游戏客户端的外部自动化操作。在结合方便的脚本编辑工具后，使得这种自动化测试方式和按键精灵一样门槛极低。 将游戏客户端屏幕内容进行截图。在windows平台需要调用系统获取屏幕内容API进行屏幕画面保存。在Android平台可以调用adb命名进行截图保存。

灰度、颜色、纹理、形状等特征，把图像分成若干个互不重叠的区域，并使这些特征在同一区域内呈现相似性，在不同的区域之间存在明显的差异性。然后就可以将分割的图像中具有独特

图像分割是一种把图像分成若干个独立子区域的技术和过程。在图像的研究和应用中，很多时候我们关注的仅是图像中的目标或前景(其他部分称为背景)，它们对应图像中特定的、具有独特性质的区域。为了分割目标，需要将这些区域分离提取出来，在此基础上才有可能进一步利用，如进行特征提取、目标识别。因此，图像分割是由图像处理进到图像分析的关键步骤，在图像领域占据着至关重要的地位。

计算机视觉主要有两部分组成： 特征提取 模型训练 其中第一条特征提取在计算机视觉中占据着至关重要的位置，尤其是在传统的计算机视觉算法中，更为明显，例如比较著名的HOG、DPM等目标识别模型，主要的研究经历都是在图像特征提取方面。图像增强能够有效的增强图像中有价值的信息，改善图像质量，能够满足一些特征分析的需求，因此，可以用于计算机视觉数据预处理中，能够有效的改善图像的质量，进而提升目标识别的精度。

风格迁移、一文读懂

内容安全是一款多媒体内容智能识别服务，支持对图片、视频、文本、语音等对象进行多样化场景检测，帮助您有效降低内容违规风险。 此篇文章将简单介绍通过javasdk实现本地图片的安全检测

阿里云文字识别（Optical Character Recognition，OCR）可以将图片中的文字信息转换为可编辑文本，根据客户的业务场景和需求，将产品分为了通用文字识别、个人证照识别、票据凭证识别、教育场景识别、车辆物流识别、企业资质识别、小语种文字识别等，满足各种客户的图片识别需求。此片文章将简单介绍票据凭证识别的python调用

TensorFlow学习笔记--自定义图像识别

TensorFlow学习笔记--CIFAR-10 图像识别

为什么「解释」很重要？ 七种不同的解释方法

来自苏黎世谷歌大脑和DeepMind London的研究人员认为，世界上最受欢迎的图像数据库之一ImageNet需要改造。ImageNet是一个无与伦比的计算机视觉数据集，拥有超过1400万张标记图像。它是为对象识别研究而设计的，并按照WordNet的层次结构进行组织。层次结构的每个节点都由成百上千的图像描述，目前每个节点平均有超过500个图像。

MIT和IBM的研究团队近日发布一个不同寻常的目标识别数据集ObjectNet，包含50000张特意拍摄的照片，尽可能接近真实世界。该数据集让AlexNet、ResNet、Inception等最先进的图像识别模型纷纷栽倒，性能暴降40%~45%。

本文分享了解决Graphviz安装问题的实践经验，针对绘制plantUML类图时出现的报错，提供了两种安装方案。方案1通过Homebrew安装Graphviz，但可能失败；方案2推荐先安装MacPorts，再使用命令`sudo port install graphviz`完成安装。作者为一位资深技术专家，专注于分布式系统与AIGC应用开发，实战经验丰富，更多内容可关注其专栏或访问编程严选网。

一张图看懂图像识别算法发展历史

图像阈值技术是许多计算机视觉应用中的关键步骤。在本文中，我们将利用 scikit-image 实现阈值技术。

吴恩达《Machine Learning》精炼笔记 12：大规模机器学习和图片文字识别 OCR

LabVIEW彩色图像分割（基础篇—14）

LabVIEW图像分割算法（基础篇—6）

LabVIEW图像分割算法（基础篇—6）

使用 Inception-v3，实现图像识别（Python、C++）

Python 深度学习AI - 利用训练好的模型库进行图像分割、一键抠图实例演示，百度深度学习平台飞浆paddlepaddle-gpu的安装与使用

Python 技术篇-3行代码搞定图像文字识别，pytesseract库实现

Python 技术篇-用pytesseract库进行图像识别之环境配置

OpenCV | 分水岭算法进行图像分割

分割抠图技术基于阿里云深度学习技术，结合检测识别技术，为您提供高精度视觉分割能力。 分割抠图技术可以实现秒级全自动主体、场景像素级识别，制作4通道透明素材。不仅实现了发丝级精抠，对高度镂空主体、复杂背景等场景都有很好的效果，同时支持人、货、场三种类型需求，可广泛应用于电子商务、零售、泛文娱、个人应用等多种场景。 本文章将实现基于python调用商品分割接口，纪念下刚学的python基础

随着智能手机和移动设备的普及，越来越多的图片被产生，也有越来越多的图片文字识别需求。典型的应用场景有证件信息的自动识别和提取，自然场景中的文字识别，文档或者宣传资料中的文字检测识别等。同时，由于深度学习和图像检测技术的发展，使得上述场景中的文字的检测和识别效果越来越好，使得机器自动识别成为可能，在业务审核中给公司节省了大量的人力。

读光是一款由阿里巴巴集团达摩院团队打造的OCR云产品，多年来, 不断整合前沿技术和行业经验，打磨出了能够承载跨行业应用的技术架构，形成了完备的图像文字定位、文字识别和文字理解的技术体系。经过多种数据类型的洗礼和实战经验，读光OCR的识别准确率和处理性能稳居业界领先水平。读光身份证识别支持二代身份证正反面所有字段的识别。支持实拍复印件判断和人脸位置检测。基于达摩院强大的深度学习算法和OCR技术，各字段精度均处于业界领先水平，身份证号码识别准确率达到99.9%以上。本文将介绍身份证识别的快速调试和基于Java的调用。

读光是一款由阿里巴巴集团达摩院团队打造的OCR云产品，多年来, 不断整合前沿技术和行业经验，打磨出了能够承载跨行业应用的技术架构，形成了完备的图像文字定位、文字识别和文字理解的技术体系。经过多种数据类型的洗礼和实战经验，读光OCR的识别准确率和处理性能稳居业界领先水平。读光身份证识别支持二代身份证正反面所有字段的识别。支持实拍复印件判断和人脸位置检测。基于达摩院强大的深度学习算法和OCR技术，各字段精度均处于业界领先水平，身份证号码识别准确率达到99.9%以上。本文将介绍身份证识别的快速调试和基于Java的调用。

DL之MaskR-CNN：基于类MaskR-CNN算法(RetinaNet+mask head)训练自己的数据集(.h5文件)从而实现图像分割daiding