深度学习在图像处理中的应用教程 前言 本教程是对本人研究生期间的研究内容进行整理总结，总结的同时也希望能够帮助更多的小伙伴。后期如果有学习到新的知识也会与大家一起分享。 本教程会以视频的方式进行分享，教学流程如下： 1）介绍网络的结构与创新点 2）使用Pytorch进行网络的搭建与训练 3）使用Tensorflow（内部的keras模块）进行网络的搭建与训练 教程目录，点击跳转相应视频（后期会根据学习内容增加） 图像分类 LeNet（已完成） AlexNet（已完成） VggNet（已完成） GoogLeNet（已完成） ResNet（已完成） ResNeXt (已完成) MobileNet（已完成） ShuffleNet (已完成) EfficientNet（已完成） 目标检测篇 Faster-RCNN/FPN（已完成） SSD/RetinaNet (已完成) YOLOv3 SPP (进

Digital Image Processing (Gonzalez Version, PDF version). Hope this book can help you and share the knowledge through the world.

Two-dimensional signal and image processing Two-dimensional signal and image processing

Java图像处理项目 DYimageFX-开源-图像处理项目 创建人：Yusuf Shakeel 日期：2014年1月26日，星期日 笔记 该项目处于开发阶段，因此文件将经常被修改。 我已经为该项目使用了NetBeans IDE 7.3.1。 它是一个免费软件，您可以从那里的网站[netbeans.org]（ ）下载它。 项目wiki [ ]（ ） 下载文件以在您的项目中使用它。 下载以获得更多详细信息。 您还可以下载整个。 执照 MIT许可证（MIT） 版权所有（c）2014 Yusuf Shakeel 特此免费授予获得该软件和相关文档文件（“软件”）副本的任何人无限制使用本软件的权利，包括但不限于使用，复制，修改，合并的权利，发布，分发，再许可和/或出售本软件的副本，并允许具备软件的人员这样做，但须满足以下条件： 以上版权声明和此许可声明应包含在本软件的所有副本或

从理论上讲，图像是一种二维的连续函数，然而在计算机上对图像进行数字处理的时候，首先必须对其在空间从理论上讲，图像是一种二维的连续函数，然而在计算机上对图像进行数字处理的时候，首先必须对其在空间和亮度上进行数字化，这就是图像的采样和量化的过程。空间坐标（x,y）的数字化称为图像采样，而幅值数字化称为灰度级量化。和亮度上进行数字化，这就是图像的采样和量化的过程。空间坐标（x,y）的数字化称为图像采样，而幅值数字化称为灰度级量化。

冈萨雷斯《数字图像处理》MATLAB工具箱

Font_Recognition-DeepFont：它是DeepFont的一种实现：使用Keras从图像中识别字体

图像处理C语言源代码(Source Code of Image Processing in C)

The MathWorks, Inc. - MATLAB Image Processing Toolbox™ User's Guide-The MathWorks, Inc. (2020)

Torrent_to_Drive 使用深度学习和Flickr-8k数据集进行自动图像字幕。 还对Xception模型和Inception模型进行了比较。 这是使用卷积神经网络和一种递归神经网络（LSTM）为所有类型的图像生成标题和替代文本的最简单方法。 关于 图像特征将从在imagenet数据集上训练的CNN模型中提取（请参见下文），然后将特征输入到LSTM模型中，后者将负责生成图像标题。 此回购围绕Keras提供的2个模型进行。 提取的功能可以在找到 使用的数据集可以在找到 Jupyter笔记本可以在找到 训练过的模型可以在找到 需求和依赖关系可以在找到 字幕生成器可以在找到 想要贡献？ 建议，错误报告，错误解决受到高度赞赏，请打开问题和/或PR 建立 设置虚拟环境（强烈推荐） 激活环境。 安装需求，使用pip3 install -r requirements.txt 注意：