在本项目中着重探索了利用深度学习模型进行水果图像分类的方法。包括使用卷积神经网络（CNN）模型进行水果图片的分类和探索轻量级神经网络模型MobileNetV2在水果图像分类中的应用。相比传统CNN模型，MobileNetV2不仅提高了分类准确率，还实现了模型轻量化，更适合实际部署。这种基于迁移学习的训练策略，成功解决了小规模数据集上的图像分类问题，为水果识别任务提供了一个高效、准确的解决方案。
使用集成学习优化“KNN 算法识别猫狗”项目，添加了一个文件train_ensemble.py，用与训练并保存准确率最高的集成学习模型，并把保存模型用Gradio部署为一个网页应用ensumble_webapp.py，可以通过点击上传一个图片，然后通过模型判断该图片是猫还是狗。
本项目使用FAISS库实现了基于K近邻的图像分类器。该分类器可以使用CPU或GPU进行训练，并支持两种特征提取方法：flat和vgg。用户可以选择使用sklearn或faiss库实现K近邻算法。
本项目使用gradio应用在 minist 上训练的最有 KNN 模型就行手写数字识别。
本项目使用gradio应用在 minist 上训练的最有 KNN 模型就行手写数字识别。
使用sklearn的KNN实现电影推荐应用
这个项目包含一个用于批量处理图像的应用，该应用可以从ZIP文件中读取图像，对图像进行随机变换，然后保存处理后的图像。
这个项目包含一个用于批量处理图像的应用，该应用可以从ZIP文件中读取图像，对图像进行随机变换，然后保存处理后的图像。
本项目使用Python和相关图形库（Tkinter, PIL, OpenCV）创建了一个用户友好的图像修复应用。用户可以在应用中导入图像，使用画笔工具绘制需要修复的部分，然后使用FMM或NS算法进行图像修复。
使用Python和Tkinter创建一个简单的图形用户界面，可以调整图像的亮度和对比度，并显示调整后的直方图。
数字图像处理课图像处理基础的作业
