主要内容

用于图像处理的深度学习

执行图像处理任务，例如使用深神经网络删除图像噪声并执行图像到图像转换（需要深入学习工具箱™）

深度学习使用神经网络直接从数据学习功能的有用表示。例如，您可以使用预先训练的神经网络来识别和删除像图像噪声的伪影。

功能

展开全部

augmentedImageDatastore 转换批处理以增强图像数据
blockedImageDatastore 数据存储区与块使用BlockedImage.对象
denoisingimageageataTastore. 去噪图像数据存储
imageageAtastore. 用于图像数据的数据存储
RandompatchExtractionDatastore. 用于从图像或像素标签图像中提取随机二维或三维随机补丁的数据存储
转变 变换数据存储
结合 合并来自多个数据存储的数据
jittercolorhsv. 随机改变像素的颜色
randomWindow2d 随机选择图像中的矩形区域
randomCropWindow3d 创建随机立方裁剪窗口
centerCropWindow2d 创建矩形中心裁剪窗口
CenterCropWindow3d. 创建立方体中心裁剪窗口
长方形 二维矩形区域的空间范围
长方体 三维长方体区域的空间范围
ronceaffine2d. 创建随机的二维仿射变换
ronstaffine3d. 创建随机3-D仿射变换
AffineOutputView. 为翘曲图像创建输出视图
imerase 删除矩形区域内的图像像素
resize2dLayer 二维调整层
resize3dlayer. 三维调整层
dlresize 调整空间尺寸的大小dlarray.对象
DepthToSpace2DLayer 空间层深度
spacetodepthlayer. 深度层的空间
depthToSpace 重新排列dlarray.数据从深度维到空间块
spaceToDepth 重新排列空间块dlarray.纵深尺寸数据
encoderDecoderNetwork 创建encoder-decoder网络
Blockednetwork. 使用重复块结构创建网络
pretrateencodernetwork. 从掠夺网络创建编码器网络
cycleGANGenerator 创建用于图像到图像转换的CycleGAN生成器网络
patchGANDiscriminator 创建PatchGAN鉴别器网络
PIX2PIXHDGLOBALGALGERATOR 创建pix2pixHD全局生成器网络
addpix2pixhdlocalenhancer. 将本地增强器网络添加到PIX2PIXHD生成器网络
unitGenerator 创建无监督的图像到图像转换(UNIT)生成器网络
unitPredict 使用无监督的图像到图像转换(UNIT)网络进行推理
denoiseimage. 基于深度神经网络的图像去噪
denoisingNetwork 得到图像去噪网络
dncnlayers. 得到去噪卷积神经网络层

主题

深度学习的预处理图像数据

从图像预处理和增强以获得深度学习

使用诸如归一化或颜色空间转换等确定性操作对数据进行预处理，或使用随机操作(如随机裁剪或颜色抖动)对训练数据进行增强。

用于深度学习的数据存储(深度学习工具箱)

了解如何在深度学习应用程序中使用数据存储。

为图像到图像的回归准备数据存储(深度学习工具箱)

此示例显示如何使用该示例说明用于培训图像到图像回归网络的数据存储转变和结合函数ImageDatastore．

使用图像处理工具箱增强图像的深度学习工作流程

这个例子展示了MATLAB®和图像处理工具箱™如何执行常见类型的图像增强，作为深度学习工作流程的一部分。

为图像处理应用创建神经网络

火车并申请去噪神经网络

使用预制的神经网络从灰度图像中删除高斯噪声，或使用预定义的图层培训您自己的网络。

创建模块化神经网络

您可以创建和自定义与重复图层组的模块化模式的深度学习网络，例如U-Net和Cyclegan。

开始使用GAN进行图像到图像转换

GAN网络可以将一组图像的风格和特征转移到其他图像的场景内容中。

普里德深度神经网络(深度学习工具箱)

了解如何下载和使用佩带的卷积神经网络进行分类，转移学习和特征提取。

深度学习层列表(深度学习工具箱)

发现MATLAB中所有的深度学习层®．

深度学习在马铃薯

在Matlab中深入学习(深度学习工具箱)

在Matlab中发现使用卷积神经网络进行分类和回归的深度学习能力，包括佩戴网络和转移学习，以及GPU，CPU，集群和云的培训。

基于深度学习的语义分割(计算机视觉工具箱)

这个例子展示了如何使用深度学习训练语义分割网络。

特色的例子

基于深度学习的单图像超分辨率

基于深度学习的单图像超分辨率

使用非常深超分辨率(VDSR)神经网络从低分辨率图像中估计高分辨率图像。
打开直播脚本
使用单位的无监督日到黄昏图像翻译

使用单位的无监督日到黄昏图像翻译

使用无监督的图像到图像翻译网络(UNIT)在白天和黄昏光照条件之间转换图像。
打开直播脚本
利用可解释的一类分类神经网络检测图像异常

利用可解释的一类分类神经网络检测图像异常

检测和定位异常，如混凝土裂缝使用可解释的单类分类。
打开直播脚本
基于CycleGAN的无监督医学图像去噪

基于CycleGAN的无监督医学图像去噪

利用CycleGAN神经网络从低剂量CT图像中生成高质量的高剂量CT图像。
打开直播脚本
基于UNIT的无监督医学图像去噪

基于UNIT的无监督医学图像去噪

利用UNIT神经网络从低剂量CT图像中生成高质量的CT图像。
打开直播脚本
使用深度学习的JPEG图像去块

使用深度学习的JPEG图像去块

火车去噪卷积神经网络（DNCNN），然后使用网络减少图像中的JPEG压缩伪像。
打开直播脚本
使用深度学习的图像处理算子逼近

使用深度学习的图像处理算子逼近

使用多尺度上下文聚合网络（CAN）近似图像过滤操作。
打开直播脚本
使用深度学习开发原料摄像机处理管道

使用深度学习开发原料摄像机处理管道

使用U-Net将原始摄像机数据转换为美学上令人愉悦的彩色图像。
打开直播脚本
使用深度学习从极端低光线恢复图像

使用深度学习从极端低光线恢复图像

使用U-NET在极端低光条件下收集的原始摄像机数据恢复亮起的RGB图像。
打开直播脚本
多分辨率闭塞图像中的肿瘤分类

多分辨率闭塞图像中的肿瘤分类

使用Inception-v3深度神经网络对可能无法放入内存的多分辨率完整幻灯片图像(WSIs)进行分类。
打开直播脚本
基于深度学习的三维脑肿瘤分割

基于深度学习的三维脑肿瘤分割

训练三维U-Net神经网络，从三维医学图像中对脑肿瘤进行语义分割。
打开直播脚本
基于深度学习的多光谱图像语义分割

基于深度学习的多光谱图像语义分割

使用U-Net使用七个通道执行多光谱图像的语义分割。
打开直播脚本
基于深度学习的神经风格迁移

基于深度学习的神经风格迁移

使用预先训练的vgg19网络[1]将一幅图像的风格外观应用到第二幅图像的场景内容。
打开直播脚本
利用预先训练的神经网络去除彩色图像中的噪声

利用预先训练的神经网络去除彩色图像中的噪声

使用去噪卷积神经网络从RGB图像中删除高斯噪声。
打开直播脚本
使用神经图像评估量化图像质量

使用神经图像评估量化图像质量

使用神经图像评估(NIMA)卷积神经网络(CNN)分析图像的美学质量。
打开直播脚本

图像处理工具箱文档

万博1manbetx

与Matlab引入深度学习

与Matlab引入深度学习

下载电子书