java实现卷积的算法，整个实现过程可以清晰的了解卷积算法的实现以及公式。

总变异正则化最小二乘反卷积是最标准的图像处理问题之一。 该软件包使用增强拉格朗日 [1] 的概念提供了当前最先进算法的实现，可以将其视为广为人知的乘法器交替方向方法 (ADMM) 的变体。 deconvtv 的用户界面与当前 MATLAB 的反卷积工具相同，包括 deconvwnr、deconvlucy 和 deconvreg： out = deconvtv(img, psf, mu, opt); deconvtv 支持对图像和视频解卷积问题的直接时空处理。 deconvtv 的应用包括但不限于：图像和视频去模糊、图像和视频去噪、深度数据增强、热空气湍流稳定和多视图合成。 如需更多信息和引文，请参阅： [1] SH Chan、R. Khoshabeh、KB Gibson、PE Gill 和 TQ Nguyen，“用于全变分视频恢复的增强拉格朗日方法”，IEEE Trans。 图像

随着视频技术的飞速发展,越来越多的视频应用逐步进入人们的生活中,因此对视频质量的研究很有意义。基于卷积神经网络和循环神经网络强大的特征提取能力并结合注意力机制,提出一种无参考视频质量评价算法。该算法首先利用VGG(Visual Geometry Group)网络提取失真视频的空域特征,然后利用循环神经网络提取失真视频的时域特征,引入注意力机制对视频的空时特征进行重要度计算,根据重要度得到视频的整体特征,最后通过全连接层回归得到视频质量的评价分数。在3个公开视频数据库上的实验结果表明,预测结果与人类主观质量评分具有较好的一致性,与最新的视频质量评价算法相比具有更好的性能。

本项目是一个完整的深度学习实践，课题是人脸表情识别，使用到的模型是卷积神经网络，难度在简单——中等级别，方便初学者入门。在这里，面部表情识别相当于一个分类问题，共有7个类别。其中label包括7种类型表情。源代码方便大家开箱即用，学习参考！ 动手完成这个项目之后，可以学习到： 1. 深度学习中CNN（卷积神经网络）的使用，为之后学习相关神经网络模型做了很好的铺垫。 2. 学会使用深度学习框架之一Pytorch的使用。 3. 多分类问题在实际中的应用，是二分类的扩展。 4. 从数据处理，可视化，到模型搭建的过程，是一种经验和技巧的积累，达到“举一反三”的效果。

对于基于块进行立体匹配的深度学习方法而言，网络结构的设计对匹配代价的计算至关重要，同时，卷积神经网络（CNN）在图像处理时的耗时问题也亟待解决。提出一种基于“缩小型”网络的CNN立体匹配方法。利用CNN训练左右图像块的相似性，计算出立体匹配的匹配代价。其中，CNN特征提取阶段，通过对每个层增加相应的批归一化层，可以使训练使用更大的学习率，加快网络训练收敛速度。另外，网络设计中全连接层采用“逐层缩小”的形式，结合上述网络优化和损失函数改善，在保证精度的同时提高了运行速度。使用KITTI数据集对算法进行验证，实验结果证明，相比目前国内外先进方法，本文算法在精度方面有一定优势，相比部分方法，速度有较大提升。

ADMM 使用Radio Galaxy图像反卷积

中国气象背景数据集是基于全国1915个站点的气象数据，经整理、检查，形成原始数据库，包括各站点多年的月降水、月均温。然后在站点数据的基础上计算年均气温Ta、年平均降水量、积温T、10积温，并利用反向距离加权平均的方法内插出全国空间分辨率为500m X 500m的年平均气温(Ta)、年平均降水量(Pa)、积温、湿润指数(IM, Thornthwaite方法)空间分布数据集。由于我国60%以上的地区为山区，山区的气象指标在很大程度上受到地形的影响，数据集利用全国1：100万DEM、以海拔高度每上升100m气温降低0.6的温度递减率为依据，对气温、积温、积温等进行了DEM校正。

针对低照度条件下图像降质严重的问题, 提出了一种基于深度卷积神经网络(DCNN)的低照度图像增强算法。该算法根据Retinex模型合成训练样本, 将原始低照度图像从RGB (Red Green Blue)空间转换到HSI (Hue Saturation Intensity)颜色空间, 保持色度分量和饱和度分量不变, 利用DCNN对亮度分量进行增强, 最后将HSI颜色空间转换到RGB空间, 得到最终的增强图像。实验结果表明, 与现有主流的图像增强算法相比, 所提算法不仅能够有效提升亮度和对比度, 改善过增强现象, 而且能够避免色彩失真, 主观视觉和客观评价指标均得到了进一步提高。

【图像识别】基于卷积神经网络(CNN)实现垃圾分类Matlab源码

使用联合边引导卷积神经网络的深度图上采样进行虚拟视图合成