1、利用拉普拉斯算子进行图像增强本质是利用图像的二次微分对图像进行蜕化（图像锐化处理的作用是使灰度反差增强，从而使模糊图像变得更加清晰），在图像领域中微分是锐化，积分是模糊，利用二次微分对图像进行蜕化即利用邻域像素提高对比度，该算法也是工程数学中常用的一种积分变换，也可以用于边缘检测，图像增强、角点检测等等。

1、原理将原始图像的灰度图从比较集中的某个灰度区间均匀分布在整个灰度空间中，实现对图像的非线性拉伸，重新分配图像像素值。

对于深度学习模型优化，通常从以下几点进行

详细介绍这里，清楚的介绍了三种损失函数。我这里重点记录一下他们的异同，方便自己消化理解。

图像分割是建立在图像分类和目标检测的基础之上。所以难度也要比图像分类要难。同时，两个任务在评价指标上其实也就存在一些相同，比如都会用到混淆矩阵，准确率，精确率，召回率，F1score，IOU等评价指标，这些指标的计算我已经在之前图像分割评价指标介绍过了。下面就介绍一下图像分割中没介绍，但是在图像分类任务中需要的评价指标ROC曲线，AUC曲线，PR曲线，AP曲线，mAP。

对于图像分割，首先可能会想到TP（TruePositives），TN(TrueNegatives)，FP(FalsePositives)，FN(FalseNegatives)这几个单词，但实际上由他们几个单词组成的混淆矩阵（confusionmatrix）才是重点。

这两篇[1]【2】博客写的都非常详细。这里做个笔记记录一下。

主要是为了个人理解，做个笔记

1、为了方便理解其本身结构，找到源码理解一下。

这类方法按照图像的相似性准则划分不同的区域块。其中较为典型的方法优种子区域生长法、分水岭法、区域分裂合并法。