包含一个完整的示例项目, 使用C#将swf转成图片

Deep Residual Learning for Image Recognition（七月在线DL翻译组2017.4）

计算遥感图像的平均梯度，光谱扭曲程度，信息熵，对图像质量进行评价

英文版电子书：Learning OpenCV Computer Vision with the OpenCV Library

图像分割 使用图形最小切割方法的图像分割在这个项目中，我们实现了本质上是交互式的多图像分割。 如果图像分割涉及用户的反馈，则称其为交互式图像分割。 在这个项目中，我们研究了 Boykov 和 Jolly 提出的一种解决交互式图像分割问题的特殊方法。 Boykov-Jolly 引入了图切割技术来实现将图像分成两部分的目标，他们称之为“对象”和“背景”。 特别是，交互式分割的问题被简化为寻找图最小割的问题，然后使用 Boykov 和 Kolmogorov 的最大流算法解决这个问题。 我们实现了 Boykov-Jolly 方法并针对各种测试用例分析其性能。 提出了一种提高算法效率的优化方法，并将其纳入我们的实现中。 我们给出了两种方法来扩展方法来实现图像分割，其中分区的数量可以超过两个。 还提供了这些方法之一的实现以及结果。

本文提出了一种基于视觉显着性的集成水印方法，该方法可用于同步图像认证和版权保护。 首先，将使用基于对象的显着性关注模型自动提取兴趣区域（ROI），这些区域的大小不是固定的，并且可以呈现一个图像的最重要信息。 其次，为了抵抗常见的信号处理攻击，对于每个ROI，采用一种改进的量化方法将版权信息嵌入其DCT系数中。 最终，选择一个ROI的边缘图作为脆弱的水印，然后将其嵌入到水印图像的DWT域中，以进一步抵抗篡改攻击。 该方法以基于ROI的视觉显着性为桥梁，可以同步实现图像认证和版权保护，并且还可以保留更多可靠的信息。 在标准基准上的实验结果表明，与最新的水印方案相比，该方法对白噪声，滤波和JPEG压缩攻击具有更强的鲁棒性。 此外，它还表明，该方法可以有效地检测篡改并定位伪造。

深度较之宽度对神经网络具有更重要的意义，能一定程度模拟人脑，但是随着深度的加深，会出现梯度消失问题，阻碍了模型的收敛。Deep Residual Learning for Image Recognition一文给出了一种避免梯度消失的网络模型-深度残差网络，对深度学习的发展至关重要。

拍摄两张图像并返回均方误差。 它适用于 2D 图像。

ImageEN for D11

马尔可夫随机场在图像去噪中的应用 这是一个有关在Keras中应用Markov随机场（MRF）进行图像降噪的项目。 在Report.pdf中显示了在MRF中构建修改的迭代条件模式（ICM）和Gibbs采样的机制的详细信息。 数据 应用于降噪和降噪的原始数据集可以分为两部分： 二进制图像：在这种情况下，选择两个具有低分辨率的二进制图像：data / sample1.jpg，data / sample3.jpg来比较ICM和Gibbs采样以在MRF中进行降噪。 RGB图像：此外，选择了分辨率较低的RGB图像：data / sample6.jpg来比较ICM和Gibbs采样，以在MRF中对更复杂的数据结构情况进行降噪。 图像噪声： 在该项目中，图像受到胡椒噪声的干扰，其中选择了随机位置的像素以将其重置为随机有效值。 详细地，对于具有单通道的二进制图像，在唯一的层中添加了胡椒噪声。 而对于具有