提出了一种基于深度学习的单幅图像去雾算法。利用卷积神经网络,通过学习雾天图像与清晰图像的YUV(Y代表的是亮度,UV代表的是彩度)各个通道之间的映射关系实现去雾。网络结构由两个相同的特征模块组成,主要包括多尺度卷积、卷积和跳跃连接结构。实验结果表明,无论是针对合成雾天图像数据集还是针对自然雾天图像数据集,所提去雾算法恢复的图像皆具有较高的清晰度和对比度,在主观评价和客观评价上均优于其他对比算法。

形态学处理＆图像分割，MATLAB程序

为进一步提高红外与可见光融合图像的细节信息,并降低伪影和噪声,提出一种基于ResNet152深度学习模型的红外与可见光图像融合算法。首先,将红外与可见光图像分解成低频部分和高频部分;然后,运用平均权重策略对低频部分进行融合,生成新的低频部分,使用ResNet152网络对高频部分进行特征提取,得到多个特征层,对特征层分别进行L1正则化、卷积运算、双线性插值上采样和最大选择策略得到最大权重层,由最大权重层和高频部分相乘得到新的高频部分;最后,由新的低频部分和高频部分对图像进行重建,获得融合后的红外与可见光图像。实验结果表明,该算法在保留图像显著特征的同时使融合图像获得了更多的细节纹理信息,且有效地降低了伪影和噪声,其主观评价和客观评价都优于对比算法。

数字图像处理的图片.zip

图像处理图像分析的关键步骤。对传统的图像分割方法和近年来出现的一些新方法进行了综述。具体介绍了基于区域的分割方法、基于边界的分割方法，基于区域和边界技术相结合的分割方法及基于特定理论的分割方法。

本文档为《数字图像处理(第四版)》冈萨雷斯——图像分割的讲义，仅供大家参考学习。

入门MATLAB图像处理图像类型转换，包括详细的代码资料和讲解注释。

数字图像处理方法的研究源于两个主要应用领域：其一是为了便于人们分析而对图像信息进行改进；其二是为例机器自动理解而对图像数据进行存储、传输及显示。

Python3.0版本以上可用 带图带解释，主要是通过opencv来实现交通信号的检测与截取，可以用于图像处理分析与研究方面，处理的过程简单易懂

FT显著性检测算法，批量处理图像。提供需要进行显著性检测的图像文件夹地址，和处理后图片的存储地址，即可自动将文件夹下的数据处理完。