HRV去伪影的处理程序，但并未采用三样条插值法

以下下都是我自己看TROIKA这篇论文所得，笔记都在doc文件中，所以某些公式到这儿就乱了，大致框架就看标题，而笔记我已上传资源。

matlab高斯金字塔代码OCT运动校正 此回购包含我的硕士论文的代码。 该项目旨在提供一种减少通过光学相干断层扫描技术获取的图像中的运动伪影的解决方案。 结构 文件 描述 saccadesModeling.mlx 包含有关如何模拟眼睛运动的信息。 phantomModeling.mlx 显示如何将扫视运动应用于测试数据。 metricsModeling.mxl 研究图像质量指标（糟糕）的行为。 projectTest.m 包含项目用例。 RegistrationObjective.m 封装用于图像配准的目标函数。 注册程序 从资源加载实验数据并执行注册。 SaccadeGenerator.m 产生扫视运动。 扫描程序 对扫描过程进行建模，并对给定的原始3D图像进行扫视运动。 用法 首先，结帐项目。 $ git clone https://github.com/merlinDM/oct-motion-correction.git 将项目添加到Matlab搜索路径： >> cd ' /path/to/project/ ' ; >> addpath(pwd); 运行示例： >> run '

一起 k 均值 matlab 代码关于： 图像压缩伪影的自动去除 改进了由 Luo 和 Ward 提出的算法，用于去除受块效应影响的区域中的块边缘。 项目介绍 工件去除 DCT 压缩方法可以在图像的块边界处引入可见的伪影。 在这个项目中，我们看一下由 Luo 和 Ward 提出的用于去除受块效应影响区域中块边缘的算法。 该算法使用自适应方法，在根据相邻块的加权平均值继续修改像素值之前，它会考虑图像的局部信息。 实验表明，该算法可以显着减少给定图像中可见的块状伪影。 图像分割 我们项目的目的是创建一种算法来从图像的其余部分提取行人路径。 该目标是通过使用 K-means 的图像分割并在 matlab 中开发代码来实现的。 这个想法是在颜色方面将路径与图像的其余部分区分开来，因为其余的对象变成白色，以便区分路径。 尽管还有一些改进的空间，但实验已经显示出有希望的结果。 分割的质量可以通过各种技术来提高，并且也会自动改善我们输出图像中的细节。 纸： 有关详细信息，请参阅纸张：

在Ubuntu终端中输入`./realesrgan-ncnn-vulkan.exe -i input.jpg -o output.png`（input.jpg是输入文件名，output.jpg是输出文件名）即可使用

在MACOS终端中输入`./realesrgan-ncnn-vulkan.exe -i input.jpg -o output.png`（input.jpg是输入文件名，output.jpg是输出文件名）即可使用

在Windows终端( power shell / cmd )中输入`./realesrgan-ncnn-vulkan.exe -i input.jpg -o output.png`（input.jpg是输入文件名，output.jpg是输出文件名）即可使用

两阶段法matlab代码ADN：用于无监督金属伪影减少的伪影解开网络 By (), Spring, 2019 引文 如果您使用此代码进行研究，请引用我们的论文。 @inproceedings{adn2019_miccai, title={Artifact Disentanglement Network for Unsupervised Metal Artifact Reduction}, author={Haofu Liao, Wei-An Lin, Jianbo Yuan, S. Kevin Zhou, Jiebo Luo}, booktitle={International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI)}, year={2019} } @article{adn2019_tmi, author={H. {Liao} and W. {Lin} and S. K. {Zhou} and J. {Luo}}, journal={IEEE Transactio

matlab条纹代码stripe_消除 “消除条纹伪影的光片荧光成像”中的MATLAB代码 存储库用于将MATLAB代码转换为Python。

图像卷积操作matlab代码CNN-MAR 基于卷积神经网络的X射线计算机断层摄影中的金属伪影减少（CNN-MAR） 版本1.0 张彦波博士（） 于恒勇博士（） 马萨诸塞州洛厄尔大学 2018.03.24 描述： 这段代码是用Matlab编写的。 它已在装有Windows 10操作系统，Matlab R2016a，Microsoft Visual C ++ 2012和GeForce GTX 970 GPU卡的PC上进行了测试。 由于该代码使用的是MatConvNet工具箱，因此如果您在测试环境中遇到兼容问题，请参考MatConvNet主页（）中的说明。 您可以在CPU或GPU模式下使用此代码来训练自己的神经网络。 我们还提供了训练有素的神经网络，小型训练数据样本和三个示例数据。 因此，您可以直接运行Demo_CNNMAR.m以获取样本数据的结果。 资料夹结构： Demo_CNNMAR.m：应用方法和评估的示例代码 cnnmar：CNN-MAR功能 数据：示例训练数据和金属工件数据 依赖的 matconvnet：MatConvNet工具箱， Practical-cnn-reg-2016a