提高含INU和噪声的MR脑图像分割的分割精度。 实施了带有偏差校正的空间 FCM 方法，该方法结合了偏差和噪声的校正。

生物医学成像中的一个常见现象是由于感兴趣的样本和采集技术而存在虚假强度变化。 在光学显微镜中，这种变化可能源于样品厚度不均匀、物体离焦（厚切片）或偏离科勒照明，通常称为阴影。 在磁共振成像中，强度不均匀性或偏置场可能由射频 (RF) 线圈均匀性、静态场不均匀性、RF 穿透以及样本的解剖结构和位置的变化引起。 此 Matlab 代码追溯校正图像中的阴影。 该算法是全自动的，详细信息在本文中描述： Reyes-Aldasoro, CC，基于信号包络估计的回顾性阴影校正算法，Electronics Letters (2009)，2009 年 4 月 23 日； 卷45，第 9 期，p。 454-456。

姿势检测与纠正 用于纠正用户坐在屏幕前的姿势的网站，即使该过程在后台运行且带有语音警报 可以在看到已部署的网站 目录： 安装 从下载并安装Python3 我建议使用 。 通过打开终端并输入以下命令下载virtualenv： pip install virtualenv 创建名为venv的虚拟环境。 视窗 virtualenv venv cd venv/Scripts activate Linux： source venv/bin/activate 克隆此存储库，如果您下载了.zip或.tar文件并cd到克隆的存储库中，请解压缩它。 例如： cd A: \P osture_Detection_AND_Correction-main 通过键入以下命令安装所需的软件包： pip install -r requirements.txt 用法 您可以通过将声音文件存储在上述目

基于灰度补偿的TDI CMOS图像传感器固定模式噪声校正方法

Wavefront Optics for Vision Correction-Guang-ming Dai（戴光明）

chromatic aberration correction

递归神经网络模型用于纠错 该存储库提供了在描述的各种模型的源代码。 该项目旨在实现和评估神经网络模型，特别是递归神经网络（RNN），双向递归神经网络（BRNN），序列到序列（seq-to-seq）模型以及最终基于注意力的机制。序列到序列模型。 下图说明了预测给定不正确短语的正确形式的编码器-解码器模型。 DyNet库 在当前项目的实施中，我们一直在使用DyNet。 动态神经网络工具包或DyNet是一个神经网络库，适用于具有动态结构的网络。 DyNet支持在神经网络计算中使用的静态和动态声明策略。 在动态声明中，每个网络都是通过使用有向和无环计算图构建的，该图由定义模型的表达式和参数组成。 DyNet在CPU或GPU上有效工作，最近为许多NLP研究论文和项目提供了支持。 您可以找到有关DyNet的更多信息。 资料集 我们的方法与语言无关。 专门针对我们的项目，我们使用对模型进行了训练和评估，

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 '

2.5 本章小结 本章在简单介绍了积分方程和矩量法基本概念的基础之上，分别介绍了经典 特征模方法、广义 Inagaki 模方法、广义特征模方法和双正交模方法。经典特征模 得到的特征电流在源区满足正交特性，其特征场与特征方向图在无穷远处的球面 上满足正交特性；特征值 n 为实数，其幅度的大小可以表征所对应的特征模式辐 射能力的强弱；特征电流 也为实数，具有等相位特性。而广义 Inagaki 模的特征 场，不仅在无穷远处的球面上满足正交特性，其特征场可以在任意选定区域满足 正交特性，但是，其特征值的物理意义并不明确，广义特征模理论可以很好的解 决这一问题，其特征电流在源区正交，特征场在任意选定区域正交，且其特征值 有明确的物理概念。但是无论是经典特征模方法、广义 Inagaki 模方法还是广义特 征模方法，其算子必须满足对称特性，双正交模方法则克服了这一缺陷，可以应 用非对称算子，使分析问题更具有灵活性。 nJ 考虑其计算过程的复杂性以及物理意义的明确性，本文在对天线进行分析与 设计时均采用经典特征模方法。且如无特别声明，本文所指的特征模方法皆为经 典特征模方法。 18 万方数据

作者：Sarah J. Johnson（其它的无需详细描述，仅作者的大名只要是搞LDPC研究的人，无人不知） By: Sarah J. Johnson Publisher: Cambridge University Press Pub. Date: November 19, 2009 Print ISBN-13: 978-0-521-87148-8