针对栈式稀疏去噪自编码器（SSDA）在图像去噪上训练难度大、收敛速度慢和普适性差等问题，提出了一种基于栈式修正降噪自编码器的自适应图像去噪模型。采用线性修正单元作为网络激活函数，以缓解梯度弥散现象；借助残差学习和批归一化进行联合训练，加快收敛速度；而为克服新模型对噪声普适性差等问题，需要对其进行多通道并行训练，充分利用网络挖掘出的潜在数据特征集计算出最优通道权重，并通过训练权重权重预测模型预测出各通道最优权重，从而实现自适应图像去噪。实验结果表明：与目前降噪较好的BM3D和SSDA方法相比，所提方法不仅在收敛效果上优于SSDA方法，而且能够自适应处理未参与训练的噪声，使其具有更好的普适性。

针对传统图像去噪方法易使图像模糊和丢失边缘信息等问题,根据煤矿井下视频图像光度不均、噪声较大的特点,提出采用基于改进的简化脉冲耦合神经网络对煤矿井下图像进行去噪处理。对简化的脉冲耦合神经网络模型中神经元连接强度β的选取方法进行改进,使β依赖于图像像素灰度值,从而更加有效地去除椒盐噪声;对动态门限的衰减时间常数αE的选取方法进行改进,使αE依赖阈值输出的放大系数vE,减少整个模型的参数,并通过实验选取vE值。实验结果表明,与传统的中值滤波、均值滤波方法相比,基于改进的简化脉冲耦合神经网络的去噪方法不仅有效去除了矿井图像的椒盐噪声,而且很好地保持了图像的边缘等细节特征。

数字图像处理之图像修复——Criminisi图像修复算法，文件包含完整的Criminisi算法的matlab程序和示例图。可直接跑通

matlab具有完备的图形处理功能、友好的用户界面以及功能强大的图形处理工具箱，能够实现对数字图像的编辑和处理工作，实现功能包括数字图像的读取、存储、显示、去色、图像翻转、局部放大、透明度调整、去噪、平滑、锐化、压缩、边缘检测等操作。

ipp2018，IPP2018在Intel官网上老版本无法下载，但是在老旧工程中还会用到，希望可以帮助大家

MATLAB车道线检测系统（霍夫曼，偏离预警，处理图像视频，GUI界面，分步骤）（GUI构架）

图像处理工具箱 代码资源在src文件夹内，对应图像资源在resources文件内。 包括内容： 傅里叶变换去除波纹噪声 图像插值（最近邻、双线性、立方卷积） 线性最小二乘求解变换系数 直方图均衡化与灰度线性拉伸 均值滤波和中值滤波 大津阈值分割 边缘检测算子（Laplace，sobel，Roberts，kirsch算子） 图像修复综合作业（hough变换 + 区域生长法） 对应代码： src/remove_water_marking.m, src/remove_water_marking2.m src/lena_interpolation.m src/leastSquare.m src/HE.m, src/gray_linear_stretch.m src/average_median_filter.m src/OTSU.m src/edge_detection_operator.m sr

人脸表情会受到姿势、物体遮挡、光照变化以及人种性别年龄等因素的影响,需要卷积神经网络更有效准确地学习特征。AlexNet在表情识别中准确率不高,对输入图像尺寸有限制,针对这些问题,提出了改进AlexNet网络的人脸表情识别算法。在AlexNet网络中引入多尺度卷积更加适用于小尺寸的表情图像,提取出不同尺度的特征信息,并在把多个低层次特征信息在向下传递的同时与高层次特征信息进行跨连接特征融合,从而可以更加完整准确地反映图像信息,构造出更准确的分类器。跨连接会产生参数爆炸,导致网络训练困难,影响识别效果,因此利用全局平均池化对低层次特征信息进行降维,可减少跨连接产生的参数和过拟合现象。本文算法在CK+、JAFFE数据库上的准确率分别为94.25%和93.02%。

为了提高国产合成孔径雷达(SAR)和光学图像的融合性能,采用高分一号、高分二号多光谱图像,高分三号SAR 聚束模式和精细化条带1模式图像,利用变换域和空间域两种不同的融合思想,提出一种非下采样剪切波变换(NSST)方法结合IHS(intensity-hue-saturation)变换和区域性改进脉冲耦合神经网络(PCNN)方法的融合算法(IHS_NSST)。该算法首先对多光谱图像进行IHS变换;其次在NSST分解的子带上,引用区域性的思想,对低频成分采用区域能量平均方法,对高频成分采用改进拉普拉斯能量和(SML)激励的PCNN方法;最终从定性和定量两个方面进行评价,并将所提算法与多种融合方法作比较。结果表明:基于区域性IHS_NSST的融合方法在高分SAR和光学图像融合上有较大的优势;采用该方法大大提升了融合性能,有效减小了光谱失真,较好地保持空间特征信息,提高了国产高分SAR和光学图像的可利用程度。

QT读取图像，将Mat矩阵作为参数传递给python，利用python进行图像的计算。同时将二维数组作为参数传递到python中，作为两个参数传递的例子。python处理完成的图像进行返回，由QT进行接收，并将图像的数据进行打印。