MFCN:统一的深度学习网络，可准确分割在不同电子显微镜方法下成像的不同动物模型的胰岛素颗粒

该代码适用于论文“一个统一的深度学习网络，可以准确地分割在不同电子显微镜方法下成像的不同动物模型的胰岛素颗粒” 步骤1：图像直方图均衡化。 直方图均衡化可以通过Matlab内置函数来实现，例如： J = histeq（img）; 步骤2：MFCN二进制分段。 我们提供了Caffe版本的MFCN工具。 在本实验中，我们从头开始训练模型。 有效， 用户可以使用我们训练有素的模型微调自己的模型，从而可以显着提高训练速度。 一旦我们训练了模型，就可以使用训练后的模型对新图像进行分割。 这个python脚本采用了基于补丁的测试方法，其中将输入图像（即1792×2048的大小）切成较小的补丁（即640×640的大小）要在GPU上运行。 但是，可以对整个图像（即1792×2048的大小）进行分割立即运行具有MFCN模型的CPU，尽管这相对较慢。 步骤3：基于分水岭的实例分割。 获取二进制分割图后，