主要内容

用于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，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有用的特征表示。例如，您可以使用预先训练的神经网络来识别和去除图像中的伪影，如噪声。

功能

全部展开

augmentedImageDatastore 转换批处理以增强图像数据
blockedImageDatastore 与来自的块一起使用的数据存储blockedImage对象
denoisingImageDatastore 去噪图像数据存储
imageDatastore 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
变换 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 在图像中随机选择矩形区域
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
矩形 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
randomAffine2d 创建随机的二维仿射变换
randomAffine3d 创建随机三维仿射变换
affineOutputView 创建变形图像的输出视图
imerase 去除感兴趣矩形区域内的图像像素
resize2dLayer 二维调整层
resize3dLayer 三维调整层
dlresize 的空间尺寸dlarray对象
DepthToSpace2DLayer 空间层深度
SpaceToDepthLayer 距深层
depthToSpace 重新排列dlarray数据从深度维到空间块
spaceToDepth 重新安排空间块dlarray纵深尺寸数据
encoderDecoderNetwork 创建encoder-decoder网络
blockedNetwork 创建具有重复块结构的网络
pretrainedEncoderNetwork 从预先训练的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
pix2pixHDGlobalGenerator 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
dnCNNLayers 得到去噪卷积神经网络层

主题

预处理图像数据用于深度学习

开始深度学习的图像预处理和增强

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)

学习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)

这个例子展示了如何准备一个数据存储来训练图像到图像回归网络变换和结合的功能ImageDatastore．

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。

创建用于图像处理应用的神经网络

训练和应用去噪神经网络

使用预先训练的神经网络从灰度图像中去除高斯噪声，或使用预先定义的层训练自己的网络。

创建模块化神经网络

您可以创建和定制深度学习网络，这些网络遵循模块化模式，具有重复的层组，如U-Net和cycleGAN。

开始使用GANs进行图像到图像的翻译

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。

预先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)

发现MATLAB中所有的深度学习层®．

深度学习在MATLAB

MATLAB中的深度学习(深度学习工具箱)

利用卷积神经网络进行分类和回归，在MATLAB中发现深度学习能力，包括预训练网络和迁移学习，以及在gpu、cpu、集群和云上的训练。

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
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
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
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
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
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
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
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

图像处理工具箱文档

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