该包通过混合自适应提供了自适应图像去噪算法的实现。 所提出的方法 [1, 2] 采用从通用外部数据库中学习到的通用先验，并将其适应噪声图像以生成特定先验，然后将其用于 MAP 去噪。 所提出的算法是严格推导出来的从贝叶斯超先验的角度来看，并进一步简化以降低计算复杂度。 要对去噪性能进行整体评估，请运行演示文件：“demo.m”。 如需更多信息和引文，请参阅： [1] E. Luo、SH Chan 和 TQ Nguyen，“通过混合自适应进行自适应图像去噪”，IEEE Trans。 图像处理。 2016 年。 [2] SH Chan、E. Luo 和 TQ Nguyen，“基于 EM 适应的自适应补丁图像去噪”，Proc。 IEEE 全球会议信号信息处理。 （GlobalSIP'15），2015 年 12 月。
2022-07-30 22:53:52
21.08MB
1
裂缝的 Unet 语义分割
使用 PyTorch、OpenCV、ONNX 运行时的实时裂缝分割
依存关系：
火炬
OpenCV
ONNX 运行时
CUDA >= 9.0
指示：
1.使用您的数据集训练模型并在supervisely.ly上使用unet_train.py保存模型权重（.pt文件）
2.使用pytorch_to_onnx.py将模型权重转换为ONNX格式
3.使用crack_det_new.py获取实时推理
裂纹分割模型文件可点击此下载
结果：
图表：
2022-07-29 10:39:46
7.53MB
1
ISIC 2018：黑色素瘤检测的皮肤病变分析
概括
更新：2018年7月15日，包括k倍验证以及验证/测试预测和提交。
该存储库为基于Keras / Tensorflow的ISIC-2018挑战的任务1和任务3提供了一个起始解决方案。
当前达到的性能是：
任务1
任务3
平均Jaccard的81.5％
准确度达83％
阈值Jaccard的77.2％
平均召回率68.5％
我们支持Keras支持的大多数骨干网（Inception，Densenet，VGG等）。 对于分段问题，我们还支持在U-Net类型结构中使用Keras预训练主干。
该代码是高度可配置的，允许您更改和尝试算法的许多方面。 下面，我们描述如何运行基准解决方案。
安装/设置
该代码使用：Python 3.5，Keras 2.1.6和TensorFlow 1.8.0。 请参阅需求文件以获取所需的软件包。
请
2022-07-27 10:01:53
1.17MB
1
双重分形的matlab代码#K表示聚类以对图像进行二值化
在这里，我代表了用matlab编写的用于对图像进行二值化处理的一些代码。
主要思想是对患者的骨组织进行活检，然后对其显微图像进行多重分形分析，该组织的肿瘤已转移到骨骼上。
在这里，在下面显示的图片上，您可能会看到该算法如何拍摄微观图像（上部图片）并使它们成为二进制图像（下部图片集）。
！[K_Means_Algorithm_Binarization_Of_Image]（我的二进制图片。png）
2022-07-26 14:55:25
2.46MB
1
Advances in Face Detection and Facial Image Analysis
2022-07-25 10:38:09
11.97MB
1
image processing in c/c++, source code
2022-07-24 15:05:02
71.87MB
1
真实的mvc多图片上传例子。用的插件是imgUp.js，完善了删除图片功能，后端排除删除的图片。前端验证图片类型、大小、个数。直接上传图片到程序目录下。环境为vs2015，win7 64位。.net frameword 4.5。
2022-07-23 20:31:24
42.58MB
1