结合小波变换和BP神经网络模型，提出了一种基于小波神经网络的图像边缘检测方法。利用二进小波边缘检测技术对灰度图像局部进行边缘检测，把边缘信息作为神经网络的输出，对局部图像数据进行神经网络模型训练，通过训练得到的局部图像模型预测得到整幅图像像素的边缘信息，通过对BP神经网络和小波神经网络的边缘检测结果进行对比实验可知，小波神经网络模型预测得到的边缘检测信息不仅比BP神经网络模型好，而且也可以更清楚地得到边缘近邻的更多信息。

tensorflow卷积神经网络CNN实现cifar10图像分类源码+数据集+注释

采用CNN神经网络中经典的resnet18模型，对Flowers数据集（https://www.kaggle.com/datasets/alxmamaev/flowers-recognition）进行分类。 运用了图像增广技术与微调技术，在5轮训练后正确率超过了90%，在经过15轮训练后，精度可以达到97%。

学校人工智能课程学习中，使用到的图片识别案例。主要功能为识别芯片表面划痕

进行对抗网络图像的识别

神经网络图像识别——水稻叶片病害分类.zip

天池MTWI 2018：网络图像的文本检测.zip

深度学习基于卷积神经网络的图像风格迁移项目系统源代码。统计学习课程挑战问题。 构成 output 生成图片的代码 images 风格图片和内容图片 theme GUI的主题 Image.py model.py parameters.py train.py 为项目的代码 sun-valley.tcl 为GUI的必须文件 代码运行方法 1、 python解释器中安装tensorflow 2.3.0，tqdm，tkinter 2、 克隆本仓库 3、 运行train.py代码 使用说明 参数选择可选低风格内容、高风格内容，代表生成的图片是否更贴近风格图片 单击 选择内容图片按钮 来选择图片，单击 选择风格图片按钮 来选择风格图片 单击 运行按钮 来运行代码

基于深度学习卷积神经网络的图像去噪算法研究。该项目是为了研究基于深度卷积神经网络的图像去噪算法，但是为了比较该算法的效果，另外实现了四种传统的图像去噪算法（均值滤波、中值滤波、非局部均值滤波NLM和三维块匹配滤波BM3D）作为对照组。 评价指标 图像去噪后，如何评估算法去噪效果的好坏呢？项目中采用峰值信噪比PSNR和结构相似性SSIM作为评价指标。一般来说，PSNR越大，去噪效果越好。SSIM取值为0到1，越接近1，表示效果越好。 代码介绍 对于均值滤波、中值滤波、和NLM，MATLAB都已经实现了，所以我们直接调用MATLAB自带的函数就可以。 BM3D和DnCNN的代码做了一些小的修改。 五种算法都是对Set12数据集进行去噪，在运行过程中能看到去噪前和去噪后的图像对比，感兴趣的朋友可以自己将图像保存下来观察。 五种算法分别在五个不同的目录中，所以你只需要进行对应的目录，运行代码即可。

神经网络图像分类代码（可直接运行）