数字图像处理的图像变换专题，二维离散傅里叶变换的原理，性质，基于matlab应用

几十幅多聚焦图像，用于多聚焦图像融合

很齐全的C#图像处理例子和教程， 包含了十几套源码例子，两份 pdf教程文档 值得你下载

SIFT算法在图像处理的代码，用于图像融合

拉普拉斯锐化法 4邻域模板，巴特沃斯高通滤波器锐化， 阶数M=3 截断频率D0=40，梯度算子锐化 sobel和prewitt

python语言，python3.6、opencv3.4、pillow6.0、matplotlib3.1.0、tensorflow1.14环境。实现功能为：按钮功能Scan(浏览)、Back(上一张)、Next(下一张) 、Mark(添加水印) 、Magnify(以鼠标点击为中心放大)、R90°CW(顺时针旋转90度) R90°CCW(逆时针旋转90度) Exit(退出) 菜单功能 文件、打开、保存、退出、编辑、放大、缩小、灰度、亮度、旋转、截图、变换、傅里叶变换、离散余弦变换、Radom变换、噪声、高斯噪声、椒盐噪声、斑点噪声、泊松噪声、滤波、高通滤波、低通滤波、平滑滤波（线性、平滑滤波（非线性）、锐化滤波（线性）、锐化滤波（非线性）、直方图统计、R直方图、G直方图、B直方图、图像增强、伪彩色增强、真彩色增强、直方图均衡、NTSC颜色模型、YCbCr颜色模型、HSV颜色模型、阈值分割、形态学处理、特征提取、图像分类与识别

针对现有图像超分辨重建方法难以充分重建图像的细节信息且易出现重建的图像缺乏层次的问题,提出一种基于自注意力深度网络的图像超分辨重建方法。以深度神经网络为基础,通过提取低分辨率图像特征,建立低分辨率图像特征到高分辨率图像特征的非线性映射,重建高分辨率图像。在进行非线性映射时,引入自注意力机制,获取图像中全部像素间的依赖关系,利用图像的全局特征指导图像重建,增强图像层次。在训练深度神经网络时,使用图像像素级损失和感知损失作为损失函数,以强化网络对图像细节信息的重建能力。在3类数据集上的对比测试结果表明,所提方法能够提升图像超分辨重建结果的细节信息,且重建图像的视觉效果更好。

基于神经网络的车牌识别，点击即可运行，内容包含：图像预处理，车牌水平矫正，字符分割，三层神经网络模型训练，字符识别显示，制作了简易的GUI界面，便于输出显示！

目 录 第一章 引言 1 1.1 图像质量评价的定义 1 1.2 研究对象 1 1.3 方法分类 2 1.4 研究意义 3 第二章 历史发展和研究现状 4 2.1 基于手工特征提取的图像质量评价 4 2.1.1 基于可视误差的“自底向上”模型 4 2.1.1.1 Daly模型 4 2.1.1.2 Watson’s DCT模型 5 2.1.1.3 存在的问题 5 2.1.2 基于HVS的“自顶向下”模型 5 2.1.2.1 结构相似性方法 6 2.1.2.2 信息论方法 8 2.1.2.3 存在的问题 9 2.2 基于深度学习的图像质量评价 10 2.2.1 CNN模型 10 2.2.2 多任务CNN模型 12 2.2.3 研究重点 15 第三章 图像质量评价数据集和性能指标 16 3.1 图像质量评价数据集简介 16 3.2 图像质量评价模型性能指标 17 第四章 总结与展望 19 4.1 归纳总结 19 4.2 未来展望 19 参考文献 21 第一章 引言 随着现代科技的发展，诸如智能手机，平板电脑和数码相机之类的消费电子产品快速普及，已经产生了大量的数字图像。作为一种更自然的交流方式，图像中的信息相较于文本更加丰富。信息化时代的到来使图像实现了无障碍传输，图像在现代社会工商业的应用越来越广泛和深入，是人们生活中最基本的信息传播手段，也是机器学习的重要信息源。 图像质量是图像系统的核心价值，此外，它也是图像系统技术水平的最高层次。但是，对图像的有损压缩、采集和传输等过程会很容易导致图像质量下降的问题。例如：在拍摄图像过程中，机械系统的抖动、光学系统的聚焦模糊以及电子系统的热噪声等都会造成图像不够清晰；在图像存储和传输过程中，由于庞大的数据量和有限通讯带宽的矛盾，图像需要进行有损压缩编码，这也会导致振铃效应、模糊效应和块效应等图像退化现象的出现。所以，可以说图像降质在图像系统的各个层面都会很频繁地出现，对图像质量作出相应的客观评价是十分重要且有意义的。为了满足用户在各种应用中对图像质量的要求，也便于开发者们维持、控制和强化图像质量，图像质量评价（Image Quality Assessment，IQA）是一种对图像所受到的质量退化进行辨识和量化的

这里包含数字图像处理所需要的图像，DIP-Edition 3