Zooming and Shrinking

k8s.gcr.io/kube-scheduler:v1.15.3镜像tar包，使用 docker load --input kube-scheduler_v1.15.3.tar进行导入

ueditor images表情包 解压后内容放在 ueditor/dialogs下的 emotion文件夹下的images表情文件夹即可

通过L0对文本图像进行模糊处理

The dataset contains 10,000 satellite images and almost 50,000 mesoscale cloud clusters. 这个数据集包含10,000个卫星图像以及近50,000个中尺度云簇 Understanding Clouds from Satellite Images_datasets.txt

低剂量CT（LDCT）扫描是减少人群中X射线辐射的一种潜在方法。 有必要提高低剂量CT图像的质量。 在本文中，我们提出了一种有效的算法，用于利用剪切波变换去除LDCT图像中的量子噪声。 因为可以通过泊松过程来模拟量子噪声，所以我们首先使用安斯科姆方差稳定变换（VST）对量子噪声进行变换，从而产生具有单位方差的近似高斯噪声。 其次，通过在小波域中的自适应硬阈值处理获得无噪声的小波系数。 第三，我们使用逆剪切波变换来重建去噪图像。 最后，将anscombe逆变换应用于降噪后的图像，从而可以产生改进的图像。 主要贡献是将anscombe VST与Slicelet变换相结合。 通过这种方式，可以有效地将边缘系数和噪声系数与高频子带分离。 使用所提出的方法对一些LDCT图像进行了许多实验。 定量和视觉结果均表明，该方法可以有效地减少量子噪声，同时增强细微的细节。 在临床应用中具有一定的价值。

relaynet_pytorch ReLayNet的PyTorch实施。 代码中仍然存在一些错误和问题，我们正在努力修复它们。 由Abhijit Guha Roy和Shayan Siddiqui（ ）编码 如果您出于任何学术目的使用此代码，请引用： A. Guha Roy，S。Conjeti，SPKKarri，D.Sheet，A.Katouzian，C.Wachinger和N.Navab，“ ReLayNet：使用完全卷积网络的黄斑光学相干层析成像的视网膜层和流体分割”，Biomed。 选择。 Express 8，3627-3642（2017）链接： ://arxiv.org/abs/1704.02161 享受！！ :)

cnn源码matlab去建立图像处理历史 我们的目标是重现论文中提到的结果。 我们在这个实现中使用了 Pytorch，并试图坚持论文中使用的 CNN 架构，但做了一些调整以获得更好的结果。 建筑学 训练分两个阶段进行，因此使用了两个 CNN，其架构如下： 模型一 模型二 要求 Python3.x 最新版本的 Pytorch（您可以按照任何标准博客安装 pytorch） 麻木的 泡菜 虚拟环境 具有 10Gb 或更多内存的 GPU（我们使用 Nvidia 1080Ti 进行训练） 指示 生成数据集： 首先，需要下载存在的 BossBase 原始图像。 然后，提取 tar 文件，在父目录中创建一个文件夹datasets/1.data并将提取的图像复制到该文件夹​​中。 接下来，打开 Matlab 并在项目的matlab文件夹中运行命令cr2jpeg和loldata 。 这些命令可能需要相当长的时间。 运行这些命令后，数据集文件夹内的目录结构将如下所示： . ├── jpegs ├── test | |── ctr | │ ├── denoise | │ ├── high | │ ├── l

docker java镜像 centos7为主，搭建java，阿里云镜像搭建示例

ADMSS 是 Matlab:copyright: 软件包，它实现了最近发表的论文中描述的“基于超声图像散斑统计的带记忆的各向异性扩散滤波器”： · G. Ramos-Llorden 等人，“具有基于超声图像斑点统计的记忆的各向异性扩散滤波器”，IEEE 图像处理交易，第 24 卷，第 1 期，第 345,358 页，2015 年 1 月 DOI：10.1109/提示.2014.2371244 ADMSS 大大减轻了各向异性扩散滤波器的主要问题之一 [1]：由于扩散过程中局部结构定义丢失而导致的过度过滤效应。 这是通过包含以扩散张量微分延迟方程 (DDE) 形式实现的概率组织选择性记忆机制来实现的。 记忆在无意义区域被关闭，但在详细结构区域被激活，这种区分以贝叶斯概率方式进行。 结果，现在遵循时间沃尔泰拉方程的扩散通量在时间上被正则化，并且通过赋予初始扩散通量比瞬时扩散通量更重要的重要性，仅在详细区域中跟踪