主要内容

使用深度学习的图像处理

扩展深度学习工作流与图像处理应用程序

通过使用深度学习工具箱™和图像处理工具箱™，将深度学习应用于图像处理应用。

功能

augmentedImageDatastore 转换批处理以增强图像数据
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
blockedImageDatastore 与来自的块一起使用的数据存储blockedImage对象

主题

预处理数据的领域特定的深度学习应用

执行确定性或随机数据处理的领域，如图像处理，目标检测，语义分割，信号和音频处理，和文本分析。

使用图像处理工具箱增强图像用于深度学习工作流

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。

深度学习的图像预处理

了解如何调整图像的大小以进行训练、预测和分类，以及如何使用数据增强、转换和专用数据存储对图像进行预处理。

深度学习预处理卷

为三维深度学习读取和预处理体积图像和标记数据。

多分辨率图像预处理用于训练分类网络(图像处理工具箱)

这个示例展示了如何准备数据存储，这些数据存储读取和预处理可能无法放入内存的多分辨率完整幻灯片图像(WSIs)。

开始使用GANs进行图像到图像的翻译(图像处理工具箱)

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。

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。
打开生活的脚本
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)近似一个图像滤波操作。
打开生活的脚本
利用深度学习开发RAW相机处理流水线

利用深度学习开发RAW相机处理流水线

使用U-Net将RAW相机数据转换为美观的彩色图像。
打开生活的脚本
利用深度学习从极端弱光条件下恢复图像

利用深度学习从极端弱光条件下恢复图像

使用U-Net从RAW相机在极低光条件下收集的数据中恢复明亮的RGB图像。
打开生活的脚本
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。
打开生活的脚本
无监督的日黄昏图像翻译使用单位

无监督的日黄昏图像翻译使用单位

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。
打开生活的脚本
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。
打开生活的脚本
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。
打开生活的脚本
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。
打开生活的脚本
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。
打开生活的脚本
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。
打开生活的脚本
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对7通道的多光谱图像进行语义分割。
打开生活的脚本
使用深度学习的JPEG图像去块

使用深度学习的JPEG图像去块

训练去噪卷积神经网络(DnCNN)，然后利用该网络减少图像中的JPEG压缩伪影。
打开生活的脚本
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

利用卷积神经网络去除RGB图像中的高斯噪声。
打开生活的脚本
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。
打开生活的脚本
列车快速式换乘网络

列车快速式换乘网络

训练网络将一幅图像的样式传递给另一幅图像。它基于[1]中定义的体系结构。
打开生活的脚本

深度学习工具箱文档

金宝app

介绍基于MATLAB的深度学习

介绍基于MATLAB的深度学习

下载电子书