反卷积和信号复原是信号处理技术中具有理论挑战性的分支。本身内容大致分为三个部分：理论基础，一维信号反卷积和图像复原。

这是 MED 相关实现的参考包，与已发表的论文一起使用。 - - 职能： - - 最小熵反卷积调整卷积（MED 和 MEDA） [y_final f_final kurtIter] = med2d(x,filterSize,termIter,termDelta,overlapMode,plotMode) 最优最小熵反卷积调整卷积 (OMEDA) [yf d_norm] = omeda(x,filterSize,plotMode) 多点最优最小熵反卷积调整卷积 (MOMEDA) [MKurt fy] = momeda(x,filterSize,window,period,plotMode) [T MKurt fy T_best MKurt_best f_best y_best] = momeda_spectrum(x,filterSize,window,range,plotMode)

matlab中存档算法代码盲反卷积 盲反卷积是使用未知模糊内核对图像进行模糊处理的过程。 我的大部分工作都与Rob Fergus的相关工作及其实施有关 为了提取清晰的图像，我们首先需要计算模糊核。 后者是使用最大后验（MAP）算法估算的，同时假设模糊核值具有指数先验分布。 理想情况下，先计算后验分布，然后再使用MAP算法。 在估计了模糊内核之后，使用Richardson Lucy算法（非盲反卷积）算法来获取最终锐化图像的像素值。 我的文章中给出了该算法的详细解释。 结果很少显示如下： 您还可以通过仅选择特定的图像区域并将其作为算法的输入，来锐化图像的一部分。 例如，考虑下面的模糊图像及其结果。 在这里，我只是想使瓶子更锋利，而不是使backgorund变得更锋利。 在任何模糊图像上运行代码的步骤： 将模糊的图像复制到images /中（例如ian1.jpg） 复制结果/中的示例图像脚本之一（例如，如果使用Linux，则为“ cp ian1.m ian1.m”） 编辑新的图像脚本（例如ian1.m），更改以下设置：-obs_im以反映新的文件名（例如obs_im ='../images/

全变分图像反卷积:MAJORIZATION-MINIMIZATION方法。 《TOTAL VARIATION-BASED IMAGE DECONVOLUTION: A MAJORIZATION-MINIMIZATION APPROACH》这篇论文的源码 本文提出了一种新的在全变差正则化条件下图像反褶积的最大化-最小化算法。

此函数 AR_MED_FILTER 采用采样频率为 Fs 的输入信号，并应用基于 Yule Walker 方法的 AR 滤波器。 通过最大峰度找到过滤器的顺序。 在应用 od AR 滤波器后，信号通过最小熵反卷积。 这种组合的 AR+MED 方法带出了隐藏在噪声中的轴承故障。 该函数为单独的 AR 绘制两个图形，为 AR+MED 绘制另一个图形例子： 负载（'s4.mat'）; 信号=s4; Fs=12000； ar_med_filter（信号，Fs）； 文件“s4.mat”是从 OR 故障轴承记录的振动信号，采样频率为 12000Hz。 故障频率为161 Hz，并被带出。 该程序基于论文： Sawalhi N、Randall RB 和 Endo H (2007) 使用最小熵解卷积结合谱峰度增强滚动轴承故障检测和诊断。 机械系统和信号处理。 21:2616-2633 该功能基本上是

三种反卷积声源成像算法的性能比较，孟良，徐亮，首先介绍了三种主流的反卷积声源成像算法（DAMAS,FISTA-DAMAS以及SC-DAMAS）的基本原理，并详细分析了三种算法的具体流程，通过分析发现�

盲迭代反卷积法，对压缩包中提供的图片复原效果还好，但其他的图片……我不敢保证。清华大学的某图像课的作业，在CSDN上你或许能搜到类似的东西……

基于深度反卷积网络的虹膜定位方法研究基于深度反卷积网络的虹膜定位方法研究

采用频域多帧循环迭代解卷积算法(CIBD)，针对提高复原图像的准确性和快速性两个方面进行研究。以退化序列中任意帧作为起始帧，逐次增加迭代帧，确保更多的观测帧参与循环迭代解卷积以增加复原的准确性；通过图像间的相关矩阵估计初始点扩展函数(PSF)，采用尺度梯度投影法，自适应迭代步长，增加迭代终止条件等措施提高算法的收敛速度。实验结果表明，采用提议的算法能够有效地重建不同大气湍流条件下的远距离观测图像，性能优于传统多帧盲反卷积(MBD)迭代算法。

这个压缩包是小编在学习反卷积实现的时候参考的论文汇总，包括最经典的Deconvolutional Networks还有Adaptive Deconvolutional Networks for Mid and High Level Feature Learning以及Visualizing and Understanding Convolutional Networks三篇论文，可以很好的帮助理解深度学习中的反卷积操作原理和具体流程！！