qq_45802081的博客

教程：https://blog.youkuaiyun.com/weixin_44671418/article/details/110453108

其中f(x, y)是输人图像， 8(x, y)是处理后的图像，T是在点(x,y)的邻域上定义的关于f的一种算子。图像增强处理是对图像进行加工，使其结果对于特定的应用比原始图像更合适的一种处理。基本灰度变换函数r和s分别代表处理前后的像素值。作为关于灰度变换的介绍，考虑图3.3，该图显示了图像增强常用的三类基本函数:线性函数(反转和恒等变换)、对数函数(对数和反对数变换)和幂律函数(n次幂和n次根变换)。恒等函数是最一般的情况，其输出灰度等于输人灰度的变换，在图3.3中包括它仅仅为了完整性考虑。.

一幅图像可定义为一个二维函数f(x, y),其中x和y是空间(平面)坐标,而在任何一对空间坐标(x, y)处的幅值f称为图像在该点处的强度或灰度。当x, y和灰度值f是有限的离散数值时,我们称该图像为数字图像。数字图像处理是指借助于数字计算机来处理数字图像。注意，数字图像是由有限数量的元素组成的，每个元素都有一个特定的位置和幅值。这些元素称为像素。1.伽马射线成像伽马射线成像的主要用途包括核医学和天文观测。在核医学中，这种方法是将放射性同位素注射到人体内，当这种物质衰变时就会放射出伽马射线，然后用伽马

数据不足，可对已有数据进行变换，增强数据库。换句话说数据增强主要用来防止过拟合。常见的数据增强方法：1）随机旋转随机旋转一般情况下是对输入图像随机旋转[0,360)2）随机裁剪随机裁剪是对输入图像随机切割掉一部分3）色彩抖动色彩抖动指的是在颜色空间如RGB中，每个通道随机抖动一定的程度。在实际的使用中，该方法不常用，在很多场景下反而会使实验结果变差4）高斯噪声是指在图像中随机加入少量的噪声。该方法对防止过拟合比较有效，这会让神经网络不能拟合输入图像的所有特征5）水平翻转6）竖直翻转

https://www.cnblogs.com/shine-lee/p/12363488.htmlhttps://blog.youkuaiyun.com/mao_feng/article/details/52734438Resnet要解决的是什么问题ResNets要解决的是深度神经网络的“退化”问题。什么是“退化”？我们知道，对浅层网络逐渐叠加layers，模型在训练集和测试集上的性能会变好，因为模型复杂度更高了，表达能力更强了，可以对潜在的映射关系拟合得更好。而“退化”指的是，给网络叠加更多的层后，性能却快

学习记录：https://zhuanlan.zhihu.com/p/41423739https://www.cnblogs.com/wangguchangqing/p/10338560.htmlhttps://zhuanlan.zhihu.com/p/42233779VGG是Oxford的Visual Geometry Group的组提出的。该网络是在ILSVRC 2014上的相关工作，主要工作是证明了增加网络的深度能够在一定程度上影响网络最终的性能。VGG有两种结构，分别是VGG16和VGG19，两

LeNet-5：是Yann LeCun在1998年设计的用于手写数字识别的卷积神经网络，当年美国大多数银行就是用它来识别支票上面的手写数字的，它是早期卷积神经网络中最有代表性的实验系统之一。LenNet-5共有7层（不包括输入层），每层都包含不同数量的训练参数，如下图所示。1、INPUT层-输入层首先是数据 INPUT 层，输入图像的尺寸统一归一化为32*32。注意：本层不算LeNet-5的网络结构，传统上，不将输入层视为网络层次结构之一。2、C1层-卷积层输入图片：32*32卷积核大小：5

学习记录：https://zhuanlan.zhihu.com/p/27222043https://blog.youkuaiyun.com/qq_24695385/article/details/80368618https://www.cnblogs.com/wangguchangqing/p/10333370.htmlAlexNet是在LeNet的基础上加深了网络的结构，学习更丰富更高维的图像特征。AlexNet的特点：更深的网络结构使用层叠的卷积层，即卷积层+卷积层+池化层来提取图像的特征使用Drop