指纹增强是指纹识别系统中的关键一步,增强效果的好坏对整个指纹识别系统有着至关重要的作用。采用基于Sobel算子的方法求取方向图,并且对Sobel算子进行了补充和改进。然后基于方向滤波的指纹图像增强方法,设计一组滤波器来实现指纹图像的增强,并且通过滤波器扩展成功解决了旋转溢出问题。实验证明,该方法的对改善指纹质量十分有效。

Milo：大脑控制的轮椅 Milo帮助人们导航，而无需动手或四肢。 我们认为它对于ALS，锁定综合征或其他形式的瘫痪患者特别有用。 我们的脑机接口利用脑电图（EEG），这是一种经济实惠，可访问且无创的技术，可以检测脑部活动。 具体而言，当用户想象运动时，Milo通过检测对运动感觉皮层（与运动相关的大脑区域）中的mu节律（7-13 Hz）的抑制来使用运动图像信号进行转向。 除运动图像外，还使用眨眼信号和下颌伪影来启动和停止动作，并表示需要转弯。 使用Milo，用户可以通过眨眼或握紧下巴在前进和停止之间切换。 他们可以通过简单地考虑左右手的运动来向左或向右转。 我们还为护理人员设计了一个Web应用程序，他们可以从中实时查看轮椅使用者的位置，以确保他们的安全。 如果用户的心律不正常或发生崩溃，也会将一条短信发送给护理人员。 此外，我们还实施了辅助驾驶功能，可用于跟踪墙和避开物体。 Github

工作例会讲话稿：坚持例会制度，增强工作效能.docx

细节增强的matlab代码单图像除雾Python 本文的python实现：“具有边界约束和上下文正则化的有效图像去雾” 结果 安装和运行测试 方法1 pip install image_dehazer 用法： $ import image_dehazer # Load the library $ HazeImg = cv2.imread('image_path') # read input image -- (**must be a color image**) $ HazeCorrectedImg = image_dehazer.remove_haze(HazeImg) # Remove Haze $ cv2.imshow('input image', HazeImg); # display the original hazy image $ cv2.imshow('enhanced_image', HazeCorrectedImg); # display the result $ cv2.waitKey(0) # ho

1986-2020年逐年，中国Landsat 5/7/8 地表反射率数据 通过增强型植被指数EVI波段运算反演得到的数据，分辨率为1km，所用的数据年份和名称为： //landsat5:LANDSAT/LT05/C01/T1_SR 1986-2010 //landsat7:LANDSAT/LE07/C01/T1_SR 2011-2013 //landsat8:LANDSAT/LC08/C01/T1_SR 2014-2020

使用机器学习和深度学习并结合知识图嵌入的财务报表中的股票价格预测 几十年来，能够预测单个公司的股价一直是投资者的目标。 公司的股价受许多因素影响。 这些因素包括新闻，当前的政治气候和经济状况。 但是，鉴于成功进行预测可能获得的回报，许多人都试图开发模型来精确地做到这一点。 与股票价格预测有关的许多文献都集中在趋势（价格上涨或下跌）和价格（例如几天之内或两天之间的价格变化）的短期预测中。 该项目研究了机器学习，深度学习和知识图嵌入的使用，以发现在美国证券交易所上市的公司的财务业绩与其股价之间的关系。 具体来说，这项工作涉及尝试从财务报表中生成价格预测，以及预测每个公司的年度10K报告之间单个公司股票价格变化的趋势和幅度。 这项工作为投资者提供了财务决策支持，也导致了新数据集的产生，其他研究人员可能会进一步探索。 存储库的结构如下： “数据”文件夹包含针对所研究的每个研究问题的预处理数据

借助生成对抗网络实现无人监督的深度图像增强 IEEE图像处理事务（T-IP） 1 ，1 ，1 ，2 ， 1 [ ] [ ] 1香港城市大学， 2美团集团 介绍 该网站共享IEEE图像处理事务（T-IP），第一卷，“通过生成的对抗网络实现无监督的深度图像增强”的代码。 2020年9月29日，第9140-9151页。 抽象的 对于公众而言，提高图像的美学质量是充满挑战和渴望的。 为了解决这个问题，大多数现有算法都是基于监督学习方法来学习用于配对数据的自动照片增强器，该照片增强器由低质量的照片和相应的专家修饰版本组成。 但是，专家修饰的照片的样式和特征可能无法满足一般用户的需求或偏好。 在本文中，我们提出了一种无监督的图像增强生成对抗网络（UEGAN），该网络以无监督的方式从一组具有所需特征的图像中学习相应的图像到图像的映射，而不是学习大量的成对图像。 所提出的模型基于单个深层GAN，该

提出了一种新的基于小波变换的自适应MRI增强算法。该新算法采用两个非线性自适应规则分别增强低频和高频的小波系数，并且在增强图像信号的同时抑制、减小其中的噪声。实验结果表明新算法增强后的图像具有很好的对比度，且结果图像中的噪声要比其他基于小波变换的自适应增强算法得到的增强后的图像中的噪声要少很多。

做语音增强了两种基本方法，kalman滤波和维纳滤波的方法。希望对学习增强的同学有帮助。

写了一些关于图像增强的例子，程序含有说明解释，适合初学者。