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。
特色的例子
您也可以从以下列表中选择网站: