该工程下实现了图像的载入，复制粘结功能，同时还实现了图像的卷积和傅立叶变换。
上传时间： 2014-12-04
上传用户：czl10052678
编写一个MATLAB函数，实现快速卷积算法，给出一个实例。用一个N点离散傅立叶变换同时计算两个N点实序列的离散傅立叶变换。
上传时间： 2013-12-26
上传用户：q123321
I=imread('fig1.jpg');%从D盘名为myimages的文件夹中读取。格式为jpg的图像文件chost J=imnoise(I,'salt & pepper',0.02);%给图像加入均值为0，方差为0.02的淑盐噪声 subplot(2,4,1); imshow(I); title('原始图像'); subplot(2,4,2); imshow(J); title('加入椒盐噪声之后的图像'); %h=ones(3,3)/9; %产生3 × 3的全1数组 %B=conv2(J,h); %卷积运算 %采用MATLAB中的函数对噪声干扰的图像进行滤波 Q=wiener2(J,[3 3]); %对加噪图像进行二维自适应维纳滤波 P=filter2(fspecial('average',3),J)/255; %均值滤波模板尺寸为3 K1=medfilt2(J,[3 3]); %进行3 × 3模板的中值滤波 K2= medfilt2(J,[5 5]); %进行5 × 5模板的中值滤波 K3= medfilt2(J,[7 7]); %进行7 × 7模板的中值滤波 K4= medfilt2(J,[9 9]); %进行9 × 9模板的中值滤波 %显示滤波后的图像及标题 subplot(2,4,3); imshow(Q); title('3 × 3模板维纳滤波后的图像'); subplot(2,4,4); imshow(P); title('3 × 3模板均值滤波后的图像'); subplot(2,4,5); imshow(K1); title('3 × 3模板的中值滤波的图像'); subplot(2,4,6); imshow(K2); title('5 × 5模板的中值滤波的图像'); subplot(2,4, 7); imshow(K3); title('7 × 7模板的中值滤波的图像'); subplot(2,4,8); imshow(K4); title('9 × 9模板的中值滤波的图像');
上传时间： 2016-06-02
上传用户：wxcr_1
IS-95前向链路MATLAB仿真，具体内容有：卷积编码、信号加扰、块交织、正交复用、正交扩频、基带滤波、信道设计、接收发射机的设计。最后通过误码率来说明这个系统的好坏
上传时间： 2017-05-22
上传用户：天晴没有眼泪
卷积神经网络（cnn）的matlab实现
上传时间： 2019-04-28
上传用户：与可12138
基于matlab实现卷积神经网络的图像识别，对于初学者很有帮助，代码齐全
上传时间： 2019-04-28
上传用户：与可12138
改压缩文件包含车牌数据集，车牌识别的python程序代码，使用CNN卷积网络实现
上传时间： 2019-06-28
上传用户：WSRY5220
交织与解交织，内部附实验报告，也可以仿真，卷积交织
标签： fpga
上传时间： 2020-05-30
上传用户：151562
人工智能结课作业（A星八数码/广度优先/深度优先/粒子群寻优算法/遗传算法/蚁群算法/BP神经网络/卷积神经网络）
标签： 人工智能
上传时间： 2021-10-20
上传用户：recarry
这是我在做大学教授期间推荐给我学生的一本书，非常好，适合入门学习。《python深度学习》由Keras之父、现任Google人工智能研究员的弗朗索瓦•肖莱（François Chollet）执笔，详尽介绍了用Python和Keras进行深度学习的探索实践，包括计算机视觉、自然语言处理、产生式模型等应用。书中包含30多个代码示例，步骤讲解详细透彻。作者在github公布了代码，代码几乎囊括了本书所有知识点。在学习完本书后，读者将具备搭建自己的深度学习环境、建立图像识别模型、生成图像和文字等能力。但是有一个小小的遗憾：代码的解释和注释是全英文的，即使英文水平较好的朋友看起来也很吃力。本人认为，这本书和代码是初学者入门深度学习及Keras最好的工具。作者在github公布了代码，本人参照书本，对全部代码做了中文解释和注释，并下载了代码所需要的一些数据集（尤其是“猫狗大战”数据集），并对其中一些图像进行了本地化，代码全部测试通过。（请按照文件顺序运行，代码前后有部分关联）。以下代码包含了全书约80%左右的知识点，代码目录：2.1: A first look at a neural network（ 初识神经网络）3.5: Classifying movie reviews（电影评论分类：二分类问题）3.6: Classifying newswires（新闻分类：多分类问题 ）3.7: Predicting house prices（预测房价：回归问题）4.4: Underfitting and overfitting（ 过拟合与欠拟合）5.1: Introduction to convnets（卷积神经网络简介）5.2: Using convnets with small datasets（在小型数据集上从头开始训练一个卷积网络）5.3: Using a pre-trained convnet（使用预训练的卷积神经网络）5.4: Visualizing what convnets learn（卷积神经网络的可视化）
上传时间： 2022-01-30
上传用户：
