code: 抽取并发布 15 章配套代码

.gitignore

@@ -0,0 +1,37 @@
+# Python
+__pycache__/
+*.py[cod]
+*$py.class
+*.so
+.Python
+
+# Virtual envs
+.venv/
+venv/
+env/
+
+# Editor / OS
+.DS_Store
+.idea/
+.vscode/
+*.swp
+
+# Build / dist
+build/
+dist/
+*.egg-info/
+
+# CMake build dirs
+cmake-build-*/
+CMakeCache.txt
+CMakeFiles/
+
+# Model weights & datasets (very large)
+*.pth
+*.pt
+*.ckpt
+*.bin
+*.safetensors
+weights/
+checkpoints/
+data/raw/

code/ch01/README.md

@@ -0,0 +1,32 @@
+# 第 1 章 — 预备知识 · 配套代码
+
+> 抽取自《深度学习图像分割》第 1 章修订稿 `book-review/drafts/ch01-v3.md`。
+> 抽取脚本：`book-review/scripts/extract_code.py`。
+> 验证脚本：`book-review/scripts/validate_code.py`。
+
+## 概览
+
+Python/C++ 开发环境配置与 OpenCV/PyTorch 基础调用示例。
+
+## 依赖
+
+- python>=3.10
+- torch>=2.0
+- torchvision
+
+## 文件清单
+
+| 文件 | 状态 | 备注 |
+| --- | --- | --- |
+| `code_1-1.py` | 可独立运行 | py_compile + pyflakes 通过 |
+| `snippet_02.py` | 可独立运行 | py_compile + pyflakes 通过 |
+| `cpp/snippet_01.cpp` | 需 OpenCV 4.x | 需 OpenCV / LibTorch 头文件方可编译 |
+
+## 状态说明
+
+- **可独立运行**：单文件 `python file.py` 通过语法校验且无 undefined name。实际跑通仍可能依赖外部数据/模型权重。
+- **教学片段**：源自书稿讲解，依赖书稿上下文中已 `import` 或定义的模块/类。可作为参考阅读，需结合书稿前后文方能运行。
+- **语法骨架**：源稿用 `def f(self, ...):` 等 Ellipsis 占位、或在 module top-level 出现 `return` 等纯教学截断写法，本仓库保持与书稿一致，**不修改源码**；标注此状态以提示读者。
+- **需 OpenCV 4.x / LibTorch**：C++ 示例，依赖外部 SDK 才能编译。
+
+详细 fenced block 盘点见 [`inventory.md`](inventory.md)。

code/ch01/code_1-1.py

@@ -0,0 +1,19 @@
+# -*- coding: utf-8 -*-
+# 来源：《深度学习图像分割》第 1 章 — 代码 1-1 对应的Python版本写法如代码1-2所示。
+# 原始位置：book-review/drafts/ch01-v3.md:234
+# 本文件由 book-review/scripts/extract_code.py 自动抽取生成。
+# 修改请回写源稿后重新生成，避免代码与书稿失同步。
+# 导入 opencv 库
+import cv2
+import sys
+
+# 读取图片
+img = cv2.imread("example.jpg")
+if img is None:
+    sys.exit("Could not read the image.")
+
+# 显示图片
+cv2.imshow("Display window", img)
+
+# 保存图片为 png 格式
+cv2.imwrite("example.png", img)

code/ch01/cpp/snippet_01.cpp

@@ -0,0 +1,29 @@
+// -*- coding: utf-8 -*-
+// 来源：《深度学习图像分割》第 1 章 — (无标号片段)
+// 原始位置：book-review/drafts/ch01-v3.md:203
+// 本文件由 book-review/scripts/extract_code.py 自动抽取生成。
+// 修改请回写源稿后重新生成，避免代码与书稿失同步。
+// 包含 OpenCV 的头文件
+#include <opencv2/opencv.hpp>
+#include <iostream>
+
+int main(int argc, char** argv)
+{
+    // 读取图像
+    cv::Mat img = cv::imread("example.jpg");
+    // 检查图像是否加载成功
+    if (img.empty())
+    {
+        std::cout << "图像加载失败，请检查路径。" << std::endl;
+        return -1;
+    }
+    // 创建窗口
+    cv::namedWindow("显示图像", cv::WINDOW_AUTOSIZE);
+    // 在窗口中展示图像
+    cv::imshow("显示图像", img);
+    // 等待用户按下任意键后关闭窗口
+    cv::waitKey(0);
+    // 另存为 PNG 格式
+    cv::imwrite("example.png", img);
+    return 0;
+}

code/ch01/inventory.md

@@ -0,0 +1,12 @@
+# 第 1 章代码清单
+
+- 源稿：`book-review/drafts/ch01-v3.md`
+- 自动抽取生成：`book-review/scripts/extract_code.py`
+
+## 全章 fenced block 一览
+
+| # | 原稿行 | 语言 | 抽取后文件 | 来源标号 |
+| - | ----- | ---- | ---------- | -------- |
+| 1 | 203–228 | cpp | `code/ch01/cpp/snippet_01.cpp` | — |
+| 2 | 234–249 | python | `code/ch01/code_1-1.py` | 代码 1-1 |
+| 3 | 265–296 | python | `code/ch01/snippet_02.py` | — |

code/ch01/snippet_02.py

@@ -0,0 +1,35 @@
+# -*- coding: utf-8 -*-
+# 来源：《深度学习图像分割》第 1 章 — (无标号片段)
+# 原始位置：book-review/drafts/ch01-v3.md:265
+# 本文件由 book-review/scripts/extract_code.py 自动抽取生成。
+# 修改请回写源稿后重新生成，避免代码与书稿失同步。
+# 导入 torch.nn 相关模块
+import torch.nn as nn
+import torch.nn.functional as F
+
+# 搭建一个 LeNet5
+class Net(nn.Module):
+    def __init__(self):
+        super(Net, self).__init__()
+        # 卷积层 1
+        self.conv1 = nn.Conv2d(3, 6, 5)
+        # 池化层
+        self.pool = nn.MaxPool2d(2, 2)
+        # 卷积层 2
+        self.conv2 = nn.Conv2d(6, 16, 5)
+        # 全连接层 1
+        self.fc1 = nn.Linear(16 * 5 * 5, 120)
+        # 全连接层 2
+        self.fc2 = nn.Linear(120, 84)
+        # 全连接层 3
+        self.fc3 = nn.Linear(84, 10)
+
+    # 定义网络的前向推理流程
+    def forward(self, x):
+        x = self.pool(F.relu(self.conv1(x)))
+        x = self.pool(F.relu(self.conv2(x)))
+        x = x.view(-1, 16 * 5 * 5)
+        x = F.relu(self.fc1(x))
+        x = F.relu(self.fc2(x))
+        x = self.fc3(x)
+        return x

code/ch02/README.md

@@ -0,0 +1,33 @@
+# 第 2 章 — 传统图像分割算法 · 配套代码
+
+> 抽取自《深度学习图像分割》第 2 章修订稿 `book-review/drafts/ch02-v3.md`。
+> 抽取脚本：`book-review/scripts/extract_code.py`。
+> 验证脚本：`book-review/scripts/validate_code.py`。
+
+## 概览
+
+传统图像分割算法的 C++ + OpenCV 实现：Canny 边缘检测、大津阈值、区域生长、形态学分水岭、GrabCut。
+
+## 依赖
+
+- OpenCV 4.x (C++)
+- CMake >= 3.16
+
+## 文件清单
+
+| 文件 | 状态 | 备注 |
+| --- | --- | --- |
+| `cpp/code_2-1.cpp` | 需 OpenCV 4.x | 需 OpenCV / LibTorch 头文件方可编译 |
+| `cpp/code_2-2.cpp` | 需 OpenCV 4.x | 需 OpenCV / LibTorch 头文件方可编译 |
+| `cpp/code_2-3.cpp` | 需 OpenCV 4.x | 需 OpenCV / LibTorch 头文件方可编译 |
+| `cpp/code_2-4.cpp` | 需 OpenCV 4.x | 需 OpenCV / LibTorch 头文件方可编译 |
+| `cpp/code_2-5.cpp` | 需 OpenCV 4.x | 需 OpenCV / LibTorch 头文件方可编译 |
+
+## 状态说明
+
+- **可独立运行**：单文件 `python file.py` 通过语法校验且无 undefined name。实际跑通仍可能依赖外部数据/模型权重。
+- **教学片段**：源自书稿讲解，依赖书稿上下文中已 `import` 或定义的模块/类。可作为参考阅读，需结合书稿前后文方能运行。
+- **语法骨架**：源稿用 `def f(self, ...):` 等 Ellipsis 占位、或在 module top-level 出现 `return` 等纯教学截断写法，本仓库保持与书稿一致，**不修改源码**；标注此状态以提示读者。
+- **需 OpenCV 4.x / LibTorch**：C++ 示例，依赖外部 SDK 才能编译。
+
+详细 fenced block 盘点见 [`inventory.md`](inventory.md)。

code/ch02/cpp/code_2-1.cpp

@@ -0,0 +1,36 @@
+// -*- coding: utf-8 -*-
+// 来源：《深度学习图像分割》第 2 章 — 代码 2-1 基于Canny算子的边缘检测算法
+// 原始位置：book-review/drafts/ch02-v3.md:262
+// 本文件由 book-review/scripts/extract_code.py 自动抽取生成。
+// 修改请回写源稿后重新生成，避免代码与书稿失同步。
+#include <opencv2/opencv.hpp>
+#include <iostream>
+
+int main() {
+    // 读取图像：将图像读取为灰度图
+    Mat img = imread("./example.png", IMREAD_GRAYSCALE);
+    if (img.empty()) {
+        cout << "Failed to read image." << endl;
+        return -1;
+    }
+
+    // 第一步: 高斯平滑
+    Mat blurred;
+    // 高斯模糊，去除噪声
+    GaussianBlur(img, blurred, Size(5, 5), 1.0);
+
+    // 第二步: 使用Canny算子进行边缘检测
+    Mat edges;
+    double lower_threshold = 50;   // 设置Canny算子的低阈值
+    double upper_threshold = 150;  // 设置Canny算子的高阈值
+    Canny(blurred, edges, lower_threshold, upper_threshold);
+
+    // 第三步: 保存分割结果
+    imwrite("./canny_edges.png", edges);
+
+    // 显示结果
+    namedWindow("Canny Edges", WINDOW_NORMAL);
+    imshow("Canny Edges", edges);
+    waitKey(0);
+    return 0;
+}

code/ch02/cpp/code_2-2.cpp

@@ -0,0 +1,41 @@
+// -*- coding: utf-8 -*-
+// 来源：《深度学习图像分割》第 2 章 — 代码 2-2 大津法阈值分割
+// 原始位置：book-review/drafts/ch02-v3.md:379
+// 本文件由 book-review/scripts/extract_code.py 自动抽取生成。
+// 修改请回写源稿后重新生成，避免代码与书稿失同步。
+#include <opencv2/opencv.hpp>
+#include <iostream>
+
+using namespace cv;
+using namespace std;
+
+int main() {
+    // 读取图像（灰度模式）
+    Mat image = imread("otsu.png", cv::IMREAD_GRAYSCALE);
+    if (image.empty()) {
+        cerr << "无法打开图像文件！" << endl;
+        return -1;
+    }
+
+    // 创建保存大津法结果的矩阵
+    Mat otsu_result;
+
+    // 使用大津法进行图像二值化，返回阈值
+    double otsu_thresh_val = threshold(image, otsu_result, 0,
+                                       255, THRESH_BINARY + THRESH_OTSU);
+
+    // 输出自动计算的大津阈值
+    cout << "Otsu's Threshold Value: " << otsu_thresh_val << endl;
+
+    // 显示原始图像和分割结果
+    imshow("Original Image", image);
+    imshow("Otsu Threshold Image", otsu_result);
+
+    // 保存分割结果
+    imwrite("./otsu_result.png", otsu_result);
+    cout << "Otsu分割结果已保存为otsu_result.png" << endl;
+
+    // 等待用户按键关闭窗口
+    waitKey(0);
+    return 0;
+}

code/ch02/cpp/code_2-3.cpp

@@ -0,0 +1,60 @@
+// -*- coding: utf-8 -*-
+// 来源：《深度学习图像分割》第 2 章 — 代码 2-3 区域生长算法
+// 原始位置：book-review/drafts/ch02-v3.md:480
+// 本文件由 book-review/scripts/extract_code.py 自动抽取生成。
+// 修改请回写源稿后重新生成，避免代码与书稿失同步。
+#include <iostream>
+#include <queue>
+#include <opencv2/opencv.hpp>
+
+using namespace std;
+using namespace cv;
+
+// 定义区域生长分割算法
+void regionGrowing(const Mat& src, Mat& dst, Point seed, int threshold) {
+    // 图像尺寸
+    int rows = src.rows;
+    int cols = src.cols;
+
+    // 初始化输出图像，所有像素初始为0（黑色）
+    dst = Mat::zeros(src.size(), CV_8UC1);
+
+    // 定义8邻域
+    int dx[8] = { -1, 1, 0, 0, -1, -1, 1, 1 };
+    int dy[8] = { 0, 0, -1, 1, -1, 1, -1, 1 };
+
+    // 获取种子点的灰度值
+    int seedGrayValue = src.at<uchar>(seed);
+
+    // 创建一个队列用于存储待处理的点
+    queue<Point> pointQueue;
+    pointQueue.push(Point(seed.x, seed.y));
+
+    // 将种子点标记为已处理
+    dst.at<uchar>(seed) = 255;  // 标记区域为白色
+
+    // 开始区域生长
+    while (!pointQueue.empty()) {
+        Point currentPoint = pointQueue.front();
+        pointQueue.pop();
+
+        // 遍历当前点的8邻域
+        for (int i = 0; i < 8; i++) {
+            int newX = currentPoint.x + dx[i];
+            int newY = currentPoint.y + dy[i];
+
+            // 确保邻域点在图像范围内
+            if (newX >= 0 && newX < cols && newY >= 0 && newY < rows) {
+                // 如果该点还没有被标记并且与种子点的灰度差小于阈值
+                int neighborGrayValue = src.at<uchar>(newY, newX);
+                if (dst.at<uchar>(newY, newX) == 0 &&
+                    abs(neighborGrayValue - seedGrayValue) <= threshold) {
+                    // 将该点加入到队列中
+                    pointQueue.push(Point(newX, newY));
+                    // 标记该点为区域的一部分
+                    dst.at<uchar>(newY, newX) = 255;
+                }
+            }
+        }
+    }
+}