《Burst photography for high dynamic range and low-light imaging on mobile cameras》论文复现，

针对传统图像复原方法对先验知识的依赖性问题，提出一种基于混合神经网络的图像复原方法。混合神经网络由卷积神经网络（Convolutional Neural Network）与BP神经网络组成。首先，通过训练卷积神经网络初步建立退化图像与真实图像之间的非线性映射关系，再利用训练好的卷积网络模型提取特征向量作为BP神经网络的输入。最后，通过训练BP神经网络实现图像复原。实验表明，该方法具有较高可行性，在小尺度的模糊核上的复原效果优于现有方法。

图像复原中的维纳滤波，逆滤波，运动模糊，效果很好，大家可以试试，移植简单

本程序为图像处理典型算法的c++实现，包含图像显示，相关灰度变换算法，变换域处理，如Fourier（傅里叶变换），小波变换等，还包含图像的增强、特征提取，图像配准算法；实现了形态学中开、闭运算，腐蚀膨胀等运算，还可以控制视频

为提高含噪运动图像的复原质量，提出一种基于互相关原理的运动模糊长度估计算法。根据图像的Radon变换得到运动模糊角度，提取模糊中心各模糊路径上的像素灰度值，通过互相关计算确定模糊长度，采用Lucy-Richardson迭代算法对观测图像进行复原。实验结果表明，该算法的抗噪性较好，迭代收敛速度较快。

数字图像处理图像复原MATLAB程序及仿真，带有源代码，数字图像处理必备。

小波变换及matlab原始码最新的可再现图像恢复 基于深度学习的图像恢复工作的最新技术，包括图像超分辨率，降噪，修复，增强和一般恢复等。某些代码可能不是官方的，请仔细检查。 每个小节下的列表可能有重叠。 此列表由维护。 信息来源 该系列的灵感来自以下来源，并进行了重新组织： 去噪 超分辨率 图像超分辨率 我们遵循来组织网络设计思想中的相关工作。 每个小节下的列表可能有重叠。 监督方法 基于深度学习的超分辨率始于SRCNN。 神经网络使用深度卷积网络（TPAMI15）的图像超分辨率，Dong等。 剩余学习 VDSR 使用非常深的卷积网络（CVPR16）进行准确的图像超分辨率，Kim等。 网际网路Memnet：用于图像恢复的持久性存储网络（ICCV17），Tai等。 红色的使用具有对称跳过连接的超深度卷积编码器/解码器网络进行图像恢复（NIPS2016），Mao等人。 DRRN Tai等通过深度递归残差网络（CVPR17）实现图像超分辨率。 国际化域名Hui等人通过信息蒸馏网络（CVPR18）进行快速，准确的单图像超分辨率。 EDSR Lim等人，用于单图像超分辨率的增强型深度残差网络（N

为了通过声辐射力脉冲（ARFI）弹性成像技术评估偏瘫患者的腓肠肌/比目鱼肌和肱二头肌肱肌的刚度，招募了中风后偏瘫的60例患者。 收集基线数据，包括年龄，性别，体重指数，受教育程度，显性面，患侧，中风后时间，中风病因。 所有患者在治疗前和治疗后均采用Broonstroom分期，改良的Ashworth痉挛量表和功能独立性量表进行评估。 该患者分为3组：1）神经肌肉电刺激组，2）康复组，3）神经肌肉电刺激+康复组。 受影响和未受影响的侧二头肌和腓肠肌，使用ARFI弹性成像测量来测量厚度和弹性值。 另外，在治疗之前和之后，测量所有患者的长度和厚度。 在60名受试者中，女性为28名（46.7％），男性为32名（53.3％），平均年龄为58.42±9.03岁。 就Brunstroom分期而言，治疗后上肢和下肢之间存在显着差异。 就改良的Ashworth量表而言，仅在治疗后下肢才有显着差异。 当与患侧/未患侧进行比较时，在治疗前后，三组内侧腓肠肌和外侧腓肠肌的测量值均存在显着差异。 需要对更多患者进行更长时间的进一步研究，以阐明肌肉硬度与痉挛程度之间的关系。

MATLAB小波变换图像 去噪，带界面GUI，和评价指标。

雷登变换(Randon) 又称为Hough Transform 。现在考虑y=ax+b，用其来表示笛卡尔坐标系中的一条直线，也可由其法线来表示为 xcos+ysin =  我们现在假设平行射线束有一组直线建模。考虑投影信号中任意一点由沿 着直线 的射线和给出。工作在连续变量情况下线 求和变为线积分如下式所示： 如果我们考虑和的所有值，那么上式可推广为： 对给出xy面中任意一条线的f(x,y)的投影的公式就是著名的雷登变换。它是投影重建的基石。