Shadow Detection and Removal 代码，图像阴影检测与去除算法效果优秀

EXIF元数据编辑_exif信息去除

基于PyQt5+SRnet+SSDP网络实现图像隐写分析以及隐写去除_pytorch源码+项目说明.zip 项目主要任务为实现图像隐写分析以及隐写去除，其中隐写分析采用SRNet网络模型，隐写去除采用DDSP网络模型。 ​ 项目中有4个文件夹，分别为: 0.SRNet、1.GUI、2.DDSP、3.SRNet 其中0.SRNet为图像隐写分析，使用Jessica教授的官方源码，框架为tensorflow；1.GUI为隐写嵌入以及隐写分析可视化演示系统，由PyQ5实现；2.DDSP为图像隐写去除，pytorch实现；3.SRNet为图像隐写分析，pytorch实现。其中自己复现的SRNet网络模型其性能弱于官方代码。 本项目隐写分析中使用的隐写术为: S-UNIWARD、HUGO、WOW三种图像空域隐写算法，采用的隐写嵌入率为：0.4bpp、0.7bpp和1.0bpp三种。 为了更好的演示如何实现隐写嵌入和隐写分析，使用PyQt5编写了可视化界面，调用现有的隐写术和训练好的隐写分析模型进行操作。

该算法可以实现深度学习去除各类图像中的伪影。Unet 发表于 2015 年，属于 FCN 的一种变体。Unet 的初衷是为了解决生物医学图像的问题，由于效果确实很好后来也被广泛的应用在语义分割的各个方向，如卫星图像分割，工业瑕疵检测等。 Unet 跟 FCN 都是 Encoder-Decoder 结构，结构简单但很有效。 Encoder 负责特征提取，可以将各种特征提取网络放在这个位置。 Decoder 恢复原始分辨率，该过程比较关键的步骤就是 upsampling 与 skip-connection。 Unet主要可分为三部分来看分别为左（特征提取），中（拼接），右（上采样） 特征提取部分：它是一个收缩网络，通过四个下采样，使图片尺寸减小，在这不断下采样的过程中，特征提取到的是浅层信息。具体过程是，输入图片然后经过两个卷积核（3x3后面紧跟着一个Relu）以论文原图为例：输入572x572，经过两个卷积核（大小为3x3）大小从572-570-568，然后经过一个Maxpool（2x2）图片尺寸变为284这即为一个完整的下采样，接下来三个也是如此。在下采样的过程中，

PDF阅读器中的中文文档粘贴到word后发现带有好多空格和回车，使用该EXE可快速去除换行和空格

win7-10去左下角水印工具，亲测可完美去除测试模式，水印等等

使用说明、使用效果，见文章：https://blog.csdn.net/maoyeahcom/article/details/108281995

煤岩显微图像预处理主要包括煤岩划痕检测与去除。针对基于霍夫变换算法的煤岩划痕检测难以准确提取空间形状特征和有效细化边缘信息，容易出现漏检和误检的问题，提出了基于语义分割的煤岩划痕检测方法。该方法引入残差结构改进空间注意力模型，将该模型嵌入以VGG卷积层作为图像特征编码器的U-Net中，实现对煤岩划痕的语义分割。针对基于快速行进的图像修复算法使得煤岩划痕去除区域和周围区域存在纹理差异和视觉伪影的问题，提出了采用基于改进区域匹配的图像修复算法去除煤岩划痕。通过采用k个最近邻图像块查找、跨尺度及旋转角度搜索策略和基于欧氏距离的图像块偏移距离度量，实现煤岩划痕的有效去除。实验结果表明，基于语义分割的煤岩划痕检测方法能准确反映煤岩划痕的边缘细节，具有较好的空间特征解析性能，提高了煤岩划痕检测准确性；采用基于改进区域匹配的图像修复算法去除煤岩划痕能使煤岩划痕去除区域与周围区域的纹理特征更具有一致性，提升图像整体视觉效果。

https://zhidao.baidu.com/question/426282197.html

此函数将去除超过阈值mu的尖峰，超过mu的每个数组元素均在前一个元素和后一个元素之间求平均值。 如果在数组的第一个或最后一个元素中出现尖峰，它会使用最接近的值对其进行过滤