完整代码，可直接运行

完整代码，可直接运行

SDSP：结合简单先验的新颖显着性检测方法

先验概率、类条件概率密度函数和后验概率 1. 试简述先验概率，类条件概率密度函数和后验概率等概念间的关系： 先验概率：根据大量统计确定某类事物出现的比例，如在我国大学中，一个学生是男生的先验概率为0.7，而为女生的概率是0.3，这两类概率是互相制约的，因为这两个概率之和应满足总和为1的约束。 类条件概率密度函数：同一类事物的各个属性都有一定的变化范围，在这些变化范围内的分布概率用一种函数形式表示，则称为类条件概率密度函数。这种分布密度只对同一类事物而言，与其它类事物没有关系。为了强调是同一类事物内部，因此这种分布密度函数往往表示成条件概率的形式。例如x表示某一个学生的特征向量，则，男生的概率密度表示成P(x|男生)，女生的表示成P(x|女生)，这两者之间没有任何关系，即一般的情况下P(x|w1)+P(x|w2)≠1，可为从[0,2]之间的任意值。 后验概率：一个具体事物属于某种类别的概率，例如一个学生用特征向量x表示，它是男性或女性的概率表示成P(男生|x)和P(女生|x)，这就是后验概率。由于一个学生只可能为两个性别之一，因此有P(男生|x)+P(女生|x)=1的约束，这一点是与类分布密度函数不同的。后验概率与先验概率也不同，后验概率涉及一个具体事物，而先验概率是泛指一类事物，因此P(男生|x)和P(男生)是两个不同的概念。

推荐已成为几乎所有基于信息和电子商务系统的组成部分。 推荐系统的目标是利用大量信息和产品目录，并根据用户的选择了解用户的偏好，并通过大量产品空间手动推荐他们无法选择的产品。 该领域的研究已经能够识别出各种算法和方法来做出以用户为中心的推荐。 从每个用户的个性化和偏好的角度来看，基于特定任务或产品领域的要求，每种算法都涵盖了一组不同的参数。 本研究论文讨论了各种推荐系统使用的现有方法及其比较，并提出了一种方法，该方法通过使用 Apriori 算法和关联规则来解决构建推荐系统的现有实践的缺点。

文件包含暗通道程序的m文件，程序没有加入滤波，运行程序可以看到暗通道去雾未对t优化的光晕现象。同时有运行程序的各种数据便于理解程序，附ppt，文件为本人在学习暗通道先验的汇报和练习文件，会有一些不足。希望能帮到也正在学暗通道的人

先验概率和后验概率 用P(h)表示在没有训练数据前假设h拥有的初始概率。P(h)被称为h的先验概率。 先验概率反映了关于h是一正确假设的机会的背景知识 如果没有这一先验知识，可以简单地将每一候选假设赋予相同的先验概率 类似地，P(D)表示训练数据D的先验概率，P(D|h)表示假设h成立时D的概率 机器学习中，我们关心的是P(h|D)，即给定D时h的成立的概率，称为h的后验概率

水下图像成像过程与雾天图像虽然类似,但因水对光的选择性吸收和光的散射作用,水下图像存在颜色衰减并呈现蓝(绿)色基调,传统的去雾方法用于水下图像复原时效果欠佳。针对这类方法出现的缺点,该文根据先去除颜色失真后去除背景散射的思路,提出一种新的水下图像复原方法。结合光在水中的衰减特性,提出适用于水下图像的颜色失真去除方法,并利用散射系数与波长的关系修正各通道透射率;另外,该文改进的背景光估计方法可有效避免人工光源、白色物体、噪声等影响。实验结果证明,该文方法在恢复场景物体原本颜色和去除背景散射方面效果良好。

【语音去噪】基于先验信噪比的维纳滤波算法语音去噪matlab源码.md

去噪声代码matlab 使用自动编码先验（）进行图像还原 抽象的： 我们建议将去噪自动编码器网络作为解决图像恢复问题的先决条件。 我们基于以下关键观察结果：最佳去噪自动编码器的输出是真实数据密度的局部均值，而自动编码器误差（训练后的自动编码器的输出与输入之间的差）是均值偏移向量。 我们使用此均值偏移矢量的大小（即到本地均值的距离）作为自然图像先验的负对数似然。 对于图像恢复，我们通过反向传播自动编码器误差，使用梯度下降来最大化可能性。 我们方法的主要优势在于，我们不需要为不同的图像恢复任务训练单独的网络，例如使用不同内核的非盲反卷积，或在不同放大倍数下的超分辨率。 我们演示了使用相同的自动编码先验技术进行非盲解卷积和超分辨率的最新结果。 有关方法的详细信息，请参见。 这段代码在Matlab中运行，您需要安装。 内容： ：包括一个用于非盲图像去模糊的示例和一个用于单图像超分辨率的示例。 ：实现MAP功能以实现非盲图像去模糊。 使用Matlab的帮助功能来了解输入和输出参数。 ：为单张图像超分辨率实现MAP功能。 使用Matlab的帮助功能来了解输入和输出参数。 ：使用我们训练有素的DAE