为解决工业计算机层析成像(CT)图像的伪影和弱边缘问题,提出一种基于小波变换的图像区域可伸缩拟合能量最小化分割方法,实现图像边缘的精确定位,从而提高图像测量精度。首先,采用小波变换对图像进行预处理,降低金属伪影。然后,采用所提方法精确分割图像,提高感兴趣区域边缘的定位精度。实际数据测量结果表明,所提方法可有效降低图像弱边缘的影响,测量相对误差低于0.7%,相较Chan-Vese算法,测量精度提高了1.4倍,满足实际测量需求。

EfficientNet_classification。EfficientNet在pytorch框架下实现图像分类，拿走即用。该文件包含python语言编写的model文件、my_dataset文件、predict文件、train文件、配置文件等。能够实现训练自己的数据集进行图像分类，以及对训练后的网络进行测试。EfficientNet利用NAS(Neural Architecture Search)搜索技术，将输入分辨率，网络的深度、宽度三者同时考虑，搭建更nice的网络结构。EfficientNet-B0的网络框架，总体看，分成了9个Stage：Stage1 是一个卷积核大小为3x3，步距为2的普通卷积层（包含BN和激活函数Swish）；Stage2～Stage8 是在重复堆叠 MBConv 结构；Stage9 是一个普通的1x1的卷积层(包含BN和激活函数Swish) + 一个平均池化层 + 一个全连接层组成

图像质量的评价准则

根据中值滤波的定义，完成中值滤波过程。选择了3X3的矩形窗对加了椒盐噪声的图像进行中值滤波。自己跑过，亲测有效。

此代码将显示每个位值的图像。

消息： [2020/06/15]可以使用Google Colab进行演示（包括可视化）！ 请查看以了解用户测试的许多结果！ 该存储库包含“用于高分辨率3D人类数字化的多级像素对齐的隐式函数”的pytorch实现。 该代码库提供： 测试代码 可视化代码 Google Colab上的演示 如果您没有运行GPU的环境来运行PIFuHD，我们将提供Google Colab演示。 您还可以上传自己的图像并与可视化一起重建3D几何。 使用以下笔记本尝试我们的Colab演示： 要求 Python 3 在测试 json 皮尔 skimage tqdm cv2 为了可视化 与pybrbree PyOpenGL的 freeglut（为ubuntu用户使用sudo apt-get install freeglut3-dev ） ffmpeg 注意：建议至少使用8GB GPU内存来运行PI

通过常规的光谱技术在稠密介质中的吸光度测量会导致结果不准确。 这主要是由于多重散射现象导致被询问样品中的整体光灭绝。 该限制要求将稀溶液用于吸收光谱。 但是，根据所用溶剂的极性，吸收光谱可能会在给定溶液中变化。 结构照明技术提供了此问题的替代方法，并提供了在密集介质中计算原位光学特性的能力。 在本文中，我们提出了两种处理方法，分别应用于通过结构化激光照明平面成像（SLIPI）技术获取的图像以提取探测溶液的消光系数μ_e：第一种是基于主成分分析（PCA）的实现，第二种是关于平均值的计算。 在实践中，进行了两种研究：一组在叶绿素液体溶液中的定量测量，另一组是浓咖啡溶液的测量，每种样品的比例和浓度均受控。 提议的这两种分析技术是有利的，因为它们非常易于实现，并且提供了比前一种更简单的替代方法。 两种方法均提供令人满意的结果，类似于使用基于一维傅里叶变换的原始方法获得的结果。

envi下自动批量配准工具，有详细教程，envi5.4用，使用比较方面

四种视频阴影去除算法，包括相除法、HSV法

格式： 4000X3000.raw10_rggb.vcmpos_500.raw 5760x4312.raw8_rggb.raw