这是一个使用预训练的VGG19网络完成图片风格迁移的项目，使用的语言为python，框架为tensorflow。 给定一张风格图片A和内容图片B，能够生成具备A图片风格和B图片内容的图片C。

使用贪婪算法mp对图像进行重构 实验效果非常的好

这个是中科院刘定生老师讲授的数字图像处理课程的课件，希望对需要的同学们有一点帮助。

图像边缘检测和图像匹配研究及应用 图像边缘检测和图像匹配研究及应用

主要用于遥感图像道路信息提取，能得到很好的效果。

通过印刷品光谱反射比预测半色调图像色彩是印刷质量控制与设备检测研制领域十分关注的课题。在假定油墨是非散射介质以及油墨的折射率与纸张的折射率近似相等的条件下,利用光在油墨与纸张中散射迁移路径长短不同的分程理论和多重内反射的网状结构分析方法,研究了光照射在双面印刷品上的光谱反射规律,建立了双面印刷品的光谱反射色彩预测模型。并在此基础上通过理论分析,论证了新建双面印刷品的Clapper-Yule色彩分程预测模型的合理性。新模型为双面印刷品的呈色规律分析与印刷品在线检测仪的研制提供了理论依据。

态势感知系统对数据信息的快速自主分析能力使其越来越多地应用于作战 指挥控制、智能安防及网络安全等领域。随着信息技术的发展和信息量的爆炸性 增长，构建能够自主挖掘数据信息并对环境态势拥有一定感知能力的态势感知系 统成为一项重要研究课题。态势感知系统的构建要对当前环境中存在的物体目标 进行类别及位置等属性的感知，然后综合各类传感器信息，分析各态势要素的状 态，并对其发展态势做出一定程度的预测估计。在整个态势感知系统中，对态势 要素即物体目标的发现及类别、位置等的分析是实现系统整体功能的基础和关键， 在众多传感器信息中，图像数据中的物体目标形象直观、时效性强、准确度高， 可以作为态势要素感知的主要信息源。但对于图像数据中物体目标的判别分析技 术研究一直以来都未达到实际应用水平，图像数据的复杂性和物体目标的不确定 性是造成技术研究瓶颈的主要原因。在图像目标数据智能识别研究领域，近几年， 深度学习技术的应用取得了突破性进展，引发了计算机视觉领域的革命性变革， 引起了学术界及工业界的广泛关注及研究。本文基于可见光图像数据和雷达图像 数据研究深度学习技术在态势感知系统中的应用，采用的深度神经网络模型为卷 积神经网络（Convolutional Neural Network, CNN），通过实现卷积神经网络模型 和以卷积神经网络为基础的扩展模型，力图解决态势感知系统中针对图像物体目 标识别的精度不足及效率低下问题，为态势感知系统中态势要素感知任务的实现 提供新的思路和解决方法，并为后续深度学习技术在该领域的应用提供参考

医学图像融合后的评价指标：交叉熵；应该使用标准图像&融合后图像，使用方法cross_entro=num2str(cross_entropy(data.M1,data.M2));

关于图像复原技术很全面的一篇文章，很多数字图像复原的研究都参考此文献

文中分别以板球系统和PID算法作为控制系统和控制方法，旨在研究在自动控制领域，利用机器视觉手段采集图像数据的速度和精度能否满足系统高精度控制的需求，采用控制变量法对图像采集频率、图像颜色阈值等参数进行调节，计算图像矩获取板球位置，得出各给定参数在合适范围内时，机器视觉的手段能够满足板球在平板上的位置高精度控制的数据采集需求的结论。