hsi matlab代码该存储库包含在以下方面提出的高光谱图像降噪算法： Dantas CF，Cohen JE和Gribonval R.“使用字典学习进行高光谱图像降噪”。 WHISPERS 2019，荷兰阿姆斯特丹。 （位于：） 所提出的技术结合了低等级和稀疏性（通过词典学习）。 用法示例 要运行的主要脚本是“ DL_HSI_denoise.m”。 假设将图像放置在matlab变量“ imnoise”（3D数组）中，然后运行以下代码： [imout，exec_times] = DL_HSI_denoise（imnoise）; 其中“ imout”包含最终去噪图像，“ exec_times”包含执行时间。 文件列表和描述 DL_HSI_denoise.m：主脚本。 输入嘈杂的HSI并输出其去噪版本。 脚本层次结构：DL_HSI_denoise.m-> image_denoise_lr.m-> HO_SuKro_DL_ALS.m-> DictUpdateALS2.m 核/ image_denoise_lr.m：去噪方法的稀疏阶段（使用字典学习）。 HO_SuKro_DL_ALS.m：默认

高光谱图像降噪的联合空间和光谱低秩正则化

程序可计算峰值信噪比、均方根误差、归一化相关性 评价去噪后的图像与原始图像的近似程度,可以用峰值信噪比来衡量。峰值信噪比( Peak Signal to Noise Ratio,PSNR)的数值越大,说明近似程度越好。峰值信噪比的定义如下: 另外一种评价两幅图近似程度的方法是均方根误差(Mean Square error,MSE)法，即 MSE值越小，表明去噪后的图像与原始图像更相似，去噪效果好。 还有一种是归一化相关性( Normalized correlation,NC)评价法,即 其值越接近1，说明去噪后的图像与理想图像越相似。

编写Python程序实现以下功能： 1、 读入一幅图像。 2、 使用两种不同的方法分别向图像中添加噪声。 3、 输出一幅标注噪声区域的二值图像，背景为黑色，噪声区域为白色。 4、 使用三种滤波方法对上述添加了噪声的图像进行滤波处理。 5、 分别保存滤波处理后的图像。 撰写实验报告，将上述处理的原理与处理流程进行介绍； 添加原图、加入噪声的图像、描述噪声位置的二值图像以及三种滤波方法分别处理后的图像； 最终对处理结果进行分析，并附加程序。

对于高频信号和高频噪声干扰相混叠的信号，采用小波变换去除噪声可以避免用傅里叶变换去噪带来的信号折损。对于噪声频率固定的平稳信号，在对信号进行傅里叶变换后使用滤波器滤除噪声。对高频含噪信号则采用正交小波函数sym4对信号分解到第4层，利用极大极小值原则选择合适的阈值进行软阈值处理，最后利用处理后的小波系数进行重构。实验结果表明，对于高频含噪信号傅里叶去噪会出现严重的信号丢失现象，使用极大极小值原则选择阈值进行小波去噪可以有效地保留高频部分的有用信号。

小波包阈值去噪MATLAB代码

在这项工作中，作者修改了经典的 Perona-Malik (PM) 扩散模型来处理乘法噪声，并且我们添加了一个合适的正则化项，该项经过统计建模以减轻超声图像中的乘法效应。 我们的兴趣是强调平面图像区域的正则化，同时保持合理的边缘和轮廓。 主观和定量评估表明，与 Perona-Malik、Charbonneir、Guo 等人等一些最先进的方法相比，所提出的模型产生了更好的结果。 和总变异

去噪声代码matlab 美国降噪 优尼斯·法鲁伊（Younes Farouj）的美国降噪技术。 v.2017年4月 超声时空散斑。 该Matlab代码遵循这两篇论文中介绍的方法。 [1] Y. Farouj，L。Navarro，J.-M。 Freyermuth，M。Clausel和P. Delachartre。 通过Kronecker小波-菲兹阈值进行的超声时空散斑。 信号，图像和视频处理，2018年，第1期。 ，第12号，第6页。 1125-1132 和 [2] Y. Farouj，J.-M。 Freyermuth，L。Navarro，M。Clausel和P. Delachartre。 双曲小波-Fisz去噪在超声成像中产生的模型。 IEEE Transactions on Computational Imaging，第一卷。 3号1，第1-10页，2017年。 该代码包括两个版本。 一个数据驱动的和参数化的。 输入 ％％使用给定的（BseOnd）小波找到数据驱动的小波-Fisz估计。 %% ％％拍摄：％％x-数据：超声成像序列％％h-方差函数（对于参数版本）％％AV-像素值分布的预

由于超声成像机制使医学超声图像中存在着大量的斑点噪声， 这些斑点噪声大大降低了图像的清晰度和质量， 给超声诊断带来很大的困难。针对医学超声图像的斑点噪声去噪问题， 提出了一种基于帧相关处理、 ROF分解和自适应小波阈值的去噪方法， 能够在抑制超声图像斑点噪声的同时， 尽可能地保留甚至增强图像的细节信息， 大大提高图像质量， 取得了很好的效果。

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真