在8位灰度图像（C＃）上实现分段线性对比度拉伸的程序。

【图像分割】视网膜图像分割【含Matlab源码 382期】.zip

MGU网 GCN辅助的多尺度两阶段网络在OCP图像中对视网膜层和椎间盘进行联合分割 代号 该代码即将推出。 结果 结果即将到来。 引文 如果您使用此代码进行研究，请考虑引用以下文章： 接触 如有任何疑问，请联系

【老生谈算法】基于MATLAB的减少图像噪声.doc

利用pytorch实现图像分类的一个完整的代码，训练，预测，TTA，模型融合，模型部署，cnn提取特征，svm或者随机森林等进行分类，模型蒸馏，一个完整的代码。 实现功能： 基础功能利用pytorch实现图像分类 包含带有warmup的cosine学习率调整 warmup的step学习率优调整 多模型融合预测，加权与投票融合 利用flask + redis实现模型云端api部署（tag v1） c++ libtorch的模型部署 使用tta测试时增强进行预测（tag v1） 添加label smooth的pytorch实现（标签平滑）（tag v1） 添加使用cnn提取特征，并使用SVM，RF，MLP，KNN等分类器进行分类（tag v1）。 可视化特征层。 转载：https://github.com/lxztju/pytorch_classification

先安装环境 ----> 使用data_classify.py文件进行训练集与测试集分割 ----> 在进行训练即可 数据准备：当前数据存放 data_name 文件夹内 文件夹名就是类别名，n个类别就是n个文件夹 目录主要结构组成： model_AlexNet.py ----> 自己建的AlexNet模型（可选其他模型） model_Vgg16.py ----> pytorch自带更改的模型（可选其他模型） train.py ----> 用于训练模型 test.py ----> 用于测试模型 辅助文件： data_classify.py ----> 将 data_name内的类别分为训练集与测试集。 ​ 注意查看代码内容，包含argparse模块 清除单通道图像 -----> 数据清洗，处理异常图像 旧版数据加载 -----> 用于学习图像 数据加载

由物体表面的二维灰度图像重构其三维几何形状法(由明暗恢复形状法) ,其关键是寻求对应的数学物理模型稳定可靠的数值解法。首先利用变分原理,将一个非线性的双曲方程问题转化为一个泛函的极小化问题;然后应用有限差分思想和非线性最小二乘问题的高斯-牛顿法将泛函中的变量离散化和线性化;最后应用高斯-塞德尔迭代法形成了曲面各点的梯度值及高度值。对合成和实际图像的计算及数控仿形加工实验验证表明,该算法有效可行。

#体积渲染 ＃＃介绍 此应用程序使用 Three.js 实现了行进立方体算法，以便可以在 Web 浏览器中显示医学图像和函数。 查看医学图像时，可以更改表面水平以显示图像的不同元素。 例如，我们可以查看人脚的表面，增加表面值后，我们可以查看脚的骨骼结构。 ＃＃用法 该应用程序可以在这里找到（ ）。 可以在此处下载其他 .raw 3D 文件 ( )。 要使用该应用程序，用户需要选择要渲染的对象、更新渲染设置并渲染文件。 w,a,s,d 键可用于在渲染场景中移动。 J,K,L,I 可用于旋转对象。 #####选择要渲染的对象 按选择对象按钮 根据对象的类型，可能需要从下拉列表中选择一个值 按加载 3D 文件、加载函数或上传本地文件 等待对象加载 一旦所有对话框自动关闭，就可以渲染对象 #####更新渲染设置 按设置按钮 在下面的对话框中，输入必要的值 渲染设置特定于正在渲染的文件或函数

(73条消息) Retinex图像增强算法(SSR, MSR, MSRCR)详解及其OpenCV源码_琦小虾的博客-CSDN博客_retinex图像增强.mhtml

实时读取图片并能对图片加不同比例的高斯噪声和椒盐噪声。各种经典图像边缘检测算法的对比研究，并实现了数学形态学边缘检测算法。使用matlab GUI实现可视化界面。 包括完整的毕业论文、答辩PPT。 运行环境：MATLAB7.0