图像处理的深度学习
使用深度神经网络执行图像处理任务,例如去除图像噪声和执行图像到图像的转换(需要深度学习工具箱™)
深度学习使用神经网络直接从数据中学习有用的特征表示。例如,您可以使用预先训练的神经网络来识别和删除图像中的噪声等工件。
功能
主题
用于深度学习的图像数据预处理
- 开始深度学习的图像预处理和增强
使用确定性操作(如归一化或颜色空间转换)对数据进行预处理,或使用随机操作(如随机裁剪或颜色抖动)增强训练数据。
- 用于深度学习的数据存储(深度学习工具箱)
了解如何在深度学习应用程序中使用数据存储。 - 为图像到图像回归准备数据存储(深度学习工具箱)
方法为训练图像到图像回归网络准备一个数据存储变换
而且结合
的功能ImageDatastore
. - 为深度学习工作流增加图像
这个例子展示了如何执行常见的随机图像增强,例如几何变换、裁剪和添加噪声。
为图像处理应用创建神经网络
- 去噪神经网络的训练与应用
使用预先训练的神经网络从灰度图像中去除高斯噪声,或使用预定义的层训练自己的网络。 - 创建模块化神经网络
您可以创建和定制深度学习网络,它遵循具有重复层组的模块化模式,如U-Net和cycleGAN。 - 开始使用GANs进行图像到图像的翻译
通过使用生成对抗网络(GANs)将一组图像的风格和特征转移到其他图像的场景内容中。 - 预训练深度神经网络(深度学习工具箱)
学习如何下载和使用预先训练的卷积神经网络进行分类,转移学习和特征提取。 - 深度学习层列表(深度学习工具箱)
在MATLAB中发现所有的深度学习层®.
深度学习在MATLAB
- MATLAB中的深度学习(深度学习工具箱)
在MATLAB中使用卷积神经网络进行分类和回归,包括预先训练的网络和转移学习,以及在gpu、cpu、集群和云上的训练,发现深度学习能力。 - 基于深度学习的语义分割(计算机视觉工具箱)
这个例子展示了如何使用语义分割网络对图像进行分割。