基于深度学习的灰度图匀光及对比度亮度增加算法用python有哪些链接
时间: 2024-01-30 22:03:20 浏览: 25
以下是基于深度学习的灰度图匀光及对比度亮度增加算法的Python链接:
1. https://github.com/aleju/imgaug
2. https://github.com/microsoft/Deep-Image-Analogy
3. https://github.com/misbah4064/Enhance-Image-Contrast-using-Deep-Learning
4. https://github.com/mahmoudnafifi/Deep-Contrast-Enhancement
5. https://github.com/idealo/image-quality-assessment
6. https://github.com/titu1994/keras-one-cycle
7. https://github.com/IsaacChanghau/neural-enhance
8. https://github.com/leondgarse/Deep-Image-Enhancement
9. https://github.com/krasserm/weightnorm
10. https://github.com/leondgarse/Image-Enhancement-with-Deep-Learning
相关问题
图像对比度增加算法python
以下是一个简单的图像对比度增加算法的Python代码实现:
```python
import cv2
def increase_contrast(img, alpha, beta):
# 通过线性变换调整图像对比度
new_img = cv2.convertScaleAbs(img, alpha=alpha, beta=beta)
return new_img
# 加载图像
img = cv2.imread('image.jpg')
# 调整对比度
new_img = increase_contrast(img, 2.0, 0)
# 显示原图和调整后的图像
cv2.imshow('Original Image', img)
cv2.imshow('Increased Contrast Image', new_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
```
在这个算法中,我们使用了OpenCV库中的`convertScaleAbs`函数来进行线性变换,通过调整`alpha`和`beta`参数来增加图像的对比度。`alpha`参数控制图像的缩放比例,`beta`参数控制图像的位移,这两个参数需要根据具体情况进行调整。
基于深度学习的图像配准算法有哪些
1. 传统的深度学习迁移学习方法,如使用卷积神经网络(CNN)或循环神经网络(RNN)进行图像特征提取和匹配,如基于 VGG 网络的特征提取法。
2. 基于学习特征的图像配准算法,如使用深度学习方法进行特征提取和匹配,如基于 Siamese 神经网络的匹配法。
3. 基于深度学习的非刚性图像配准算法,如使用深度学习方法进行非刚性变形场的预测和应用,如基于 U-Net 网络的非刚性配准法。
4. 基于深度学习的多模态图像配准算法,如使用深度学习方法进行多模态图像的配准,如基于对抗网络(GAN)的多模态配准法。
5. 基于深度学习的形变建模图像配准算法,如使用深度学习方法进行形变场的预测和应用,如基于 Voxelmorph 网络的形变建模配准法。