MATLAB图像分割系统设计（多方法，文章万字）（GUI构架）

人脸表情会受到姿势、物体遮挡、光照变化以及人种性别年龄等因素的影响,需要卷积神经网络更有效准确地学习特征。AlexNet在表情识别中准确率不高,对输入图像尺寸有限制,针对这些问题,提出了改进AlexNet网络的人脸表情识别算法。在AlexNet网络中引入多尺度卷积更加适用于小尺寸的表情图像,提取出不同尺度的特征信息,并在把多个低层次特征信息在向下传递的同时与高层次特征信息进行跨连接特征融合,从而可以更加完整准确地反映图像信息,构造出更准确的分类器。跨连接会产生参数爆炸,导致网络训练困难,影响识别效果,因此利用全局平均池化对低层次特征信息进行降维,可减少跨连接产生的参数和过拟合现象。本文算法在CK+、JAFFE数据库上的准确率分别为94.25%和93.02%。

为了提高国产合成孔径雷达(SAR)和光学图像的融合性能,采用高分一号、高分二号多光谱图像,高分三号SAR 聚束模式和精细化条带1模式图像,利用变换域和空间域两种不同的融合思想,提出一种非下采样剪切波变换(NSST)方法结合IHS(intensity-hue-saturation)变换和区域性改进脉冲耦合神经网络(PCNN)方法的融合算法(IHS_NSST)。该算法首先对多光谱图像进行IHS变换;其次在NSST分解的子带上,引用区域性的思想,对低频成分采用区域能量平均方法,对高频成分采用改进拉普拉斯能量和(SML)激励的PCNN方法;最终从定性和定量两个方面进行评价,并将所提算法与多种融合方法作比较。结果表明:基于区域性IHS_NSST的融合方法在高分SAR和光学图像融合上有较大的优势;采用该方法大大提升了融合性能,有效减小了光谱失真,较好地保持空间特征信息,提高了国产高分SAR和光学图像的可利用程度。

基于 SAR图像的目标检测是对 SAR 图像解译的重要环节之一。本文从 SAR图像的统计特性出发，对包括 SAR 图像统计特性描述，斑点噪声抑制，检测器设计等若干基于SAR 图像的目标检测关键问题进行了研究。

毕设的车牌图像数据库 包括各类场景总计6000左右张图像数据 如停车场，卡口，电子抓拍、天桥等位置 可进行车牌定位检测，车牌字符分割，车牌字符识别等相关研究

UCI Folio Leaf 是不同种类树叶的图片数据集，包含 32 中不同的树叶种类，每类 20 张左右的图像。

模式识别高分课程设计，利用BP神经网络对0-9的手写数字图像数据进行分类。 图像数据存放在Img的文件夹中，0-9每个数字各有55个样本，共550个图像样本数据。文件中的all_data.mat是为了对这些图像数据全部提取到MATLAB的工作区中，以便于MATLAB对数据的处理。载入后是一个4维的900×1200×10×55的阵列，900×1200为每一张图像的尺寸/分辨率，10指的是为0-9的10类图像，55是每一类的样本数目； 代码中有详细注释，整个过程分为：①载入图像数据；②裁剪图像的无效信息；③特征选择和提取；④特征预处理；⑤划分数据集；⑥网络训练；⑦网络测试；⑧用户验证过程 网络经多次测试后对训练样本和测试样本的分类准确率均在95%以上，MATLAB自建BP神经网络，代码每个过程都有注释详解，有利于读者对BP神经网络有更好的把握。 在用户验证过程中，向客户提供验证端口，读者在读懂代码的基础上，可以继续在此做一个UI界面或者接口，作为课程设计的话将会更加完善。

matlab图像分割系统。带界面GUI。多方法。

本次作业需要利用深度学习的方法对 10 类图片进行分类，图片类别及示例如图 1 所示。提供的数据包含 30000 张带类别标签的图片组成的训练集，和 5000 张无类别的测试集，需要用训练好的模型对测试集图片进行分类，并将结果生成 csv 文件上传提交。选用 python 编写网络架构，深度学习框架在 pytorch/tensorflow/caffe 中任选其一。

MATLAB平台：图像分割系统设计（多方法，文章万字）