deepLearnToolbox-master是一个深度学习matlab包，里面含有很多机器学习算法，如卷积神经网络CNN，深度信念网络DBN，自动编码AutoEncoder（堆栈SAE，卷积CAE）的作者是 RasmusBerg Palm。今天给介绍deepLearnToolbox-master中的CNN部分。DeepLearnToolbox-master中CNN内的函数：

楔子：     机器学习和深度学习现在很火，你会发现突然间很多人都在谈论它们。如下图所示，机器学习和深度学习的趋势对比（来自Google trend，纵轴表示搜索热度）：  本文将会以简单易懂的语言及示例为大家详细解释深度学习和机器学习的区别，并介绍相关用途。机器学习和深度学习简介机器学习     Tom Mitchell 关于机器学习的定义被广

笔者是在医疗AI领域奋斗的博士生，最近好几位做计算机视觉的好朋友，想尝试医疗领域的影像，Bigdata是AI的燃料，索性把自己之前的藏货拿出来分享一下，大家一起加油！（医学影像的分割、匹配、分类、超分辨、重建等应该都有资源）1、Github上哈佛 beamandrew机器学习和医学影像研究者-贡献的数据集https://github.com/beamandrew/medic

http://search.csdn.net/CSDN搜索，CSDN还是有非常多的编程资源的，用它的搜索能搜出不少东西。代码类别也比较全面。http://snippets.org/简单实用的代码收集网站，强力推荐。比如你要找个DES加密，要找个数据压缩，找个INI文件操作的C代码等，均能手到擒来。http://www.codase.com/index.html它是一个代码搜索引

一、 实验目的(1) 通过实验分析不同尺度下LOG和Canny边缘提取算子的性能。(2) 研究这两种边缘提取方法在不同参数下的边缘提取能力。(3) 使用不同的滤波尺度和添加噪声能量（噪声水平），通过与无噪声图像对比，选择最能说明自己结论的滤波尺度和噪声水平，并做出分析说明。二、 实验原理边缘的含义：在数字图像中，边缘是指图像局部变化最显著的部分，边缘主要存在

【matlab函数描述】功能：对任意类型数组或多维图像进行滤波。用法：B= imfilter(A,H)　　　B= imfilter(A,H,option1,option2,…)　　　或写作g= imfilter(f, w, filtering_mode, boundary_options, size_options)其中，f为输入图像，w为滤波掩模，g为滤波后

X光拍摄出的原始图像，一般都比较模糊不清，而在医学应用上，这些被模糊的细节又非常有用，因此，X光图像的增强一直是人们研究的重点。下面，给大家介绍一种非常有用的增强方法：Gauss Laplacian Pyramid算法　　关于该方法，已有不少文献对其进行了介绍和阐述，但一般都比较晦涩难懂，本人做了一个比较清晰的实现步骤，以此供大家参考。而关于分解的细节图像如何进行增强(后文会提到)，不是本文介

实验总体思路：   原图像是人体骨骼核扫描图像，我们的目的是通过图像锐化突出骨骼的更多细节来增强图像。由于图像灰度的动态范围很窄并且有很高的噪声内容，所以很难对其进行增强。对此我们采取的策略是，首先用拉普拉斯法突出图像中的小细节，然后用梯度法突出其边。平滑过的梯度图像将用于掩蔽拉普拉斯图像。最后，我们将试图试用灰度变换来增强图像的灰度动态范围。即：具体的实现

【matlab函数描述】功能：对任意类型数组或多维图像进行滤波。用法：B = imfilter(A,H)　　　B = imfilter(A,H,option1,option2,…)　　　或写作g = imfilter(f, w, filtering_mode, boundary_options, size_options)其中，f为输入图像，w为滤波掩模，g为滤波后图像。f

笔者是在医疗AI领域奋斗的博士生，最近好几位做计算机视觉的好朋友，想尝试医疗领域的影像，Bigdata是AI的燃料，索性把自己之前的藏货拿出来分享一下，大家一起加油！（医学影像的分割、匹配、分类、超分辨、重建等应该都有资源）1、Github上哈佛 beamandrew机器学习和医学影像研究者-贡献的数据集https://github.com/beamandrew/medic