图像处理的深度学习
使用深度神经网络执行图像处理任务,例如去除图像噪声和执行图像到图像的转换(需要深度学习工具箱™)
深度学习使用神经网络直接从数据中学习特征的有用表示。例如,你可以使用预先训练好的神经网络来识别和去除图像中的噪声等伪影。
功能
主题
为深度学习预处理图像数据
- 从图像预处理和深度学习增强开始
用规格化或颜色空间转换等确定性操作预处理数据,或用随机裁剪或颜色抖动等随机操作增强训练数据。
- 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。 - 准备图像到图像回归的数据存储(深度学习工具箱)
方法为训练图像到图像回归网络准备一个数据存储变换
而且结合
的功能ImageDatastore
. - 为深度学习工作流程增强图像
这个例子展示了如何执行常见的随机图像增强,如几何变换、裁剪和添加噪声。
为图像处理应用创建神经网络
- 训练和应用去噪神经网络
使用预训练的神经网络从灰度图像中去除高斯噪声,或者使用预定义的层来训练自己的网络。 - 创建模块化神经网络
您可以创建和定制深度学习网络,这些网络遵循具有重复层组的模块化模式,例如U-Net和cycleGAN。 - 开始了解用于图像到图像转换的GANs
通过使用生成对抗网络(GANs)将一组图像的风格和特征转移到其他图像的场景内容。 - 预训练的深度神经网络(深度学习工具箱)
学习如何下载和使用预训练的卷积神经网络进行分类,迁移学习和特征提取。 - 深度学习层列表(深度学习工具箱)
在MATLAB中发现所有深度学习层®.
深度学习MATLAB
- MATLAB深度学习(深度学习工具箱)
在MATLAB中使用卷积神经网络进行分类和回归,包括预训练网络和迁移学习,以及在gpu、cpu、集群和云上进行训练,从而发现深度学习功能。 - 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语义分割网络分割图像。