主要内容

用于图像处理的深度学习

使用卷积神经网络执行图像处理任务,如去除图像噪声和从低分辨率图像创建高分辨率图像(需要深度学习工具箱™)金宝搏官方网站

深度学习使用神经网络直接从数据中学习有用的特征表示。例如,您可以使用预训练的神经网络来识别和移除图像中的伪影(如噪声)。

功能

全部展开

augmentedImageDatastore 转换批处理以增强图像数据
bigimageDatastore 用于管理大块图像数据的数据存储
去噪图像数据存储 去噪图像数据存储
图像数据存储 用于图像数据的数据存储
随机抽取数据存储 用于从图像或像素标签图像中提取随机二维或三维随机面片的数据存储
使改变 变换数据存储
结合 合并来自多个数据存储的数据
吉特色HSV 随机改变像素的颜色
centerCropWindow2d 创建矩形中心裁剪窗口
centerCropWindow3d 创建长方体中心裁剪窗口
randomCropWindow2d 创建随机矩形裁剪窗口
randomCropWindow3d 创建随机立方裁剪窗口
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
随机仿射E2D 创建随机的二维仿射变换
随机仿射3D 创建随机三维仿射变换
仿射输出视图 为扭曲图像创建输出视图
resize2dLayer 二维调整层
调整3D图层的大小 三维调整层
dlresize 调整的空间尺寸dlarray
去噪图像 基于深度神经网络的图像去噪
denoisingNetwork 得到图像去噪网络
dnCNNLayers 得到去噪卷积神经网络层

主题

深度学习的图像预处理

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。

使用图像处理工具箱为深度学习工作流扩充图像(深度学习工具箱)

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(深度学习工具箱)

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(深度学习工具箱)

为三维深度学习读取和预处理体积图像和标记数据。

基于深度学习的图像去噪

去噪神经网络的训练与应用

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训练您自己的网络。

利用预先训练的神经网络去除彩色图像中的噪声

这个例子展示了如何在每个颜色通道上使用预先训练的去噪神经网络从RGB图像中去除高斯噪声。

为图像到图像的回归准备数据存储(深度学习工具箱)

此示例演示如何使用使改变结合功能ImageDatastore

深入学习MATLAB

MATLAB中的深度学习(深度学习工具箱)

在MATLAB中发现深度学习能力®使用卷积神经网络进行分类和回归,包括预训练网络和转移学习,以及GPU、CPU、群集和云的训练。

预训练深度神经网络(深度学习工具箱)

了解如何下载并使用预训练卷积神经网络进行分类、转移学习和特征提取。

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。

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。

特色的例子