CMP-BIA 工具是 ImageJ/Fiji 的全局，将会执行图像分割和配准。为了快速集成我们的插件，您可以使用我们的update site。
所有源代码均作为 Maven 项目公开提供（请参阅GitHub存储库）。包中的 API 用于进一步开发与图像处理相关的其他 Java/ImageJ 功能。
请注意，所有包含的方法主要与医学理论相关，但也可以用于该领域。
请注意，斐济提供的这些插件基于书籍。如果您成功将其用于您的研究，请在References中引用我们的相关工作。
机器采集中心（CMP）是一个大学研究中心，从事视觉计算机、机器人、机器学习、模式识别和数学方面的基础和应用研究。由Jan Kybic领导的生物医学成像算法小组（BIA）开发了用于生物医学图像处理的新算法。
插件
该当前包含一些插件：
- jSLIC superpixels - 是在给定图像中密集区域（超像素）的分割方法，通常用于其他分割技术。唯一的两个参数是每个超像素的平均（初始）大小和范围 [0,1] 中的支撑参数。
jSLIC - 超像素
最近，SLIC（简单线性迭代迭代）被引入一般图像，并作为进一步图像分割、分类和配准的强大中间阶段。SLIC是用于超像素生成的k均值算法的改进，具有两个重要的区别：（a）权距离唤醒结合了颜色空间（使用CIELAB颜色空间，它被广泛认为对于小颜色距离在感知上是这样的）和空间邻近度；（b）通过限制为2Sx2S区域来减少搜索空间，与超像素大小S成比例。搜索空间的减少对整个算法的速度有很大影响。
我们做了一个基于Java的实现jSLIC——比开源的SLIC性能更好的超像素组件。另外，我们提出了一个不同的正则化参数，它会影响所得超像素的结构性，并提出默认值r=0.2。新的后续处理步骤提供了更可靠的超像素形状，从而减少超像素尺寸。
如何使用插件
jSLIC interface
如您所见，插件的界面包含超像素配置的参数及其最终可视化。
参数
对于配置，只需设置两个参数：
- 初始化。构造大小 -总体来说，它可以被视为平均超像素大小。
- 正则化 - 影响估计超像素的紧凑性。范围从0（非常有弹性的超像素）到1（超像素接近适配器）。实验上，将大多数情况设置为最佳值0.2。
####可视化
为了显示句柄分割结果，我们提出了几种方法：
- 重叠存在 -通过选择的颜色将生成的超像素上的均匀到图像中。
- 将支架导出为ROI - 所有超像素都作为导出到ROI Manager中。
- 显示最终分割 - 重新添加图层并使用随机颜色填充每个超像素。
- 将分割保存到文件中 - 将超像素图像分割导出到文本文件中带有标签的分割矩阵。首先行标记图像尺寸（Dims: {width} {height}），然后遵循标签，其中每个数字代表超像素索引。（请注意，行数等于{图像宽度}，并且有{高度}索引数量，这些索引由空白分隔。）查看样本文件
。
Sample of jSLIC segmented histological tissue
Sample of jSLIC segmented histological tissue
Sample of jSLIC segmented AuPbSn40
Sample of jSLIC segmented Leaf
参考文献
Borovec, J. 和 Kybic, J. (2014)。 jSLIC：ImageJ 中的超像素。 Computer Vision Winter Workshop. Praha。
