该文件记载目前各种流行降噪算法的代码下载地址及对应的文档地址，可进行自由下载；算法包括NLM、BM3D、KSVD等传统常规算法，也包括DnCNN、WaveletCNN等新的深度学习算法，并且记录相应测试数据集的下载地址可供自由下载

基于稀疏编码的卷积神经网络在语音识别中的应用.pdf

利用稀疏编码结合深度学习的人体姿态估计.pdf

独热编码示例代码参考示例

人脸识别的鲁棒稀疏编码，的稀疏表示识别方法将稀疏表示的保真度表示为余项的L2范数，但最大似然估计理论证明这样的假设要求余项服从高斯分布，实际中这样的分布可能并不成立，特别是当测试图像中存在噪声、遮挡和伪装等异常像素，这就导致传统的保真度表达式所构造的稀疏表示模型对上述这些情况缺少足够的鲁棒性。而最大似然稀疏表示识别模型则基于最大似然估计理论，将保真度表达式改写为余项的最大似然分布函数，并将最大似然问题转化为一个加权优化问题，在稀疏表示的同时引入代表各像素不同权值的矩阵，使得该算法对于图像中包含异常像素的情况表现出很好的鲁棒性。

哈明窗matlab代码520.628：最终项目 乔纳森·琼斯·瓦莱丽·伦诺尔 介绍 该项目使用压缩感测方法进行音频降噪。 我们特别希望从诸如CHIRP项目[2]的诊所中可能遇到的那种非平稳环境噪声中恢复肺音。 该软件构成了一个统一的实验框架，用于评估这种情况下的不同降噪方法。 入门 确保将项目目录设置为如下结构： 项目根| ---> src | --->数据| | --->清洁| | --->噪音| | | ---> [噪声类别子目录] src应该包含所有源代码。 数据/清洁音应包含所有清洁肺音的录音（.wav格式）。 数据/噪声应包含子目录，该子目录具有按类别组织的声音录音（.wav格式）。 进行实验 打开src/experiment_params.m并对其进行修改以匹配所需的实验设置。 然后从MATLAB运行run_experiment.m 。 （可选地，您可以修改脚本以扫过不同的超参数。）脚本会将实验摘要打印到控制台并绘制一些图形。 总结实验结果的图形，文本输出和损坏/恢复的音频文件都保存到输出目录中。 薄膜晶体管 为了与[1]一致，使用两个窗口长度来获得STFT。 50毫秒窗口

去噪声代码matlab 稀疏编码的在线词典学习的快速实现 用法 要克隆项目和所有子模块： git clone --recursive https://github.com/d-acharya/OnlineDictionaryLearning.git 要更新所有子模块： git submodule foreach git pull origin master 编译： mkdir build cd build cmake .. make ./test_odl 现有实施 C ++实现 Java实现 Matlab实施 C ++ LARS实现 待办事项 测试脚本： 要进行测试，请参见python实现和。 我们仍然需要创建一个包装器，以从上述python脚本中调用字典学习的C实现。 完整的实现： LARS的实现（请在上面检查FISTA的实现）。 可以像在matlab实施中那样用FISTA替换LARS。 降噪演示 编译后，测试denoising.cpp： ./applicationName Lenna256.png Lenna256Noisy.png

研究用于图像去噪的偏微分方程；在理论上对去噪原理进行了分析。通过对扩散方程中扩散系数的改进，提出了一个对噪声图像更有效、更具有适应性的去噪扩散模型，对高斯噪声图像进行处理。与传统的各向异性扩散算法进行了比较并对偏微分方程的未来发展方向进行了展望。实验结果表明，该方法在有效去除噪声的同时较好地保留了图像中的重要细节信息，使图像的细节部分清晰。该方法可以有效地去除图像噪声，提高图像的质量。

稀疏编码是图像去噪中的一种流行技术。 然而，由于去噪问题的不适定性，难以获得对真实代码的准确估计。 为了提高去噪性能，我们在主成分分析字典上收集数据集的稀疏编码错误，对错误概率进行假设，并导出用于图像去噪的能量优化模型，称为主成分分析词典上的自适应稀疏编码（ ASC-PCA）。 新方法考虑了两个方面。 首先，通过与PCA词典相关的对稀疏编码错误在不同维度上的概率分布的观察，可以自适应地确定均衡保真度项和非局部约束的正则化参数，这对于获得令人满意的结果至关重要。 此外，讨论了所构建模型的直观解释。 其次，为了有效地求解新模型，提出了一种基于滤波器的迭代收缩算法，该算法包含了基于滤波器的反投影和收缩阶段。 反投影阶段的滤波器在求解模型中起着重要作用。 如大量实验所示，建议该方法在定量和视觉测量方面均表现最佳。

em算法matlab代码介绍 这个软件包包含了再现本文描述的数值实验的所有源代码。 软件依赖项 Python（> = 2.6） NumPy（最近是合理的） SciPy（最近才合理） pytables（合理地是最近的） mpi4py（> = 1.3） 概述 pulp /-用于MPI并行化基于EM的算法的Python库/框架。 该模型的实现可以在pulp / em / camodels /中找到。 示例/-用于初始化和运行模型的小示例 跑步 要运行bartest实验： $ cd examples/barstest $ python dsc_run.py 要进行自然图像实验： $ cd ../natims $ python dsc_run.py 要运行峰值实验： $ cd ../spikes $ python dsc_on_hc1_run.py 要运行音频实验： $ cd ../audio $ python dsc_run_audio.py 其中一些实验太大，无法在单个工作站上运行，应该在集群上执行。 在群集上运行我们的实验很大程度上取决于配置。 示例//batchscript.sh中给出了