主要内容

使用深度学习的图像处理

利用图像处理应用扩展深度学习工作流

通过使用deep learning Toolbox™和image processing Toolbox™，将深度学习应用于图像处理应用程序。

功能

augmentedImageDatastore 转换批量以增加图像数据
randomPatchExtractionDatastore 用于从图像或像素标签图像中提取随机2d或3d随机补丁的数据存储
blockedImageDatastore 与块一起使用的数据存储blockedImage对象

主题

为特定领域的深度学习应用程序预处理数据

执行确定性或随机的数据处理领域，如图像处理，对象检测，语义分割，信号和音频处理，以及文本分析。

使用图像处理工具箱为深度学习工作流增加图像

这个例子展示了MATLAB®和图像处理工具箱™如何作为深度学习工作流的一部分来执行常见的图像增强。

预处理图像用于深度学习

了解如何调整图像大小以进行训练、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

读取和预处理体积图像和标签数据用于3-D深度学习。

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，以读取和预处理可能无法装入内存的多分辨率整张幻灯片图像(WSIs)。

开始使用用于图像到图像转换的GANs(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

使用深度学习的单图像超分辨率

使用深度学习的单图像超分辨率

使用非常深的超分辨率(VDSR)神经网络从低分辨率图像估计高分辨率图像。
打开生活的脚本
基于深度学习的图像处理算子逼近

基于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)近似图像滤波操作。
打开生活的脚本
使用深度学习开发RAW相机处理管道

使用深度学习开发RAW相机处理管道

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
使用深度学习从极端低光条件下恢复图像

使用深度学习从极端低光条件下恢复图像

利用U-Net从RAW相机数据中恢复在极端低光条件下收集的明亮的RGB图像。
打开生活的脚本
使用可解释的一类分类神经网络检测图像异常

使用可解释的一类分类神经网络检测图像异常

使用可解释的单一分类检测和定位异常，如混凝土中的裂缝。
打开生活的脚本
使用单元进行无监督的日暮图像转换

使用单元进行无监督的日暮图像转换

使用无监督的图像到图像转换网络(UNIT)在白天和黄昏光照条件下转换图像。
打开生活的脚本
利用CycleGAN进行无监督医学图像去噪

利用CycleGAN进行无监督医学图像去噪

使用CycleGAN神经网络从噪声低剂量CT图像生成高质量的高剂量CT图像。
打开生活的脚本
使用UNIT的无监督医学图像去噪

使用UNIT的无监督医学图像去噪

使用UNIT神经网络从噪声低剂量CT图像生成高质量的CT图像。
打开生活的脚本
利用神经图像评估量化图像质量

利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
在多分辨率阻塞图像中对肿瘤进行分类

在多分辨率阻塞图像中对肿瘤进行分类

使用Inception-v3深度神经网络对可能不适合存储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3-D U-Net神经网络，对3-D医学图像进行脑肿瘤语义分割。
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

利用U-Net对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)，然后使用该网络来减少图像中的JPEG压缩伪影。
打开生活的脚本
利用预训练神经网络去除彩色图像中的噪声

利用预训练神经网络去除彩色图像中的噪声

利用卷积神经网络去噪去除RGB图像中的高斯噪声。
打开生活的脚本
使用深度学习的神经风格转移

使用深度学习的神经风格转移

使用一个预先训练的VGG-19网络[1]，将一个图像的风格外观应用到第二个图像的场景内容。
打开生活的脚本
列车快速换乘网络

列车快速换乘网络

训练一个网络将一个图像的风格转移到另一个图像。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

用MATLAB介绍深度学习

用MATLAB介绍深度学习

下载电子书