本文研究了全变差正则化模型在图像去噪过程中易产生阶梯效应的问题，依据图像的局部结构特利用联合高斯滤波器和边缘检测算子的方法，构建了广义全变差正则化图像去噪模型，获得了在消除噪声的同时能够保留图像边缘细节和纹理信息的结果．实验结果表明，广义全变差正则化模型在平滑噪声的同时能够保留图像的边缘轮廓等细节信息，得到的复原图像在峰值信噪比、平均结构相似度和主观视觉效果方面均有所提高．

传统的深度信念网络规模大、难度大、训练时间长，导致其故障诊断的时间较长。针对该问题，提出了一种基于贝叶斯正则化深度信念网络的电力变压器故障诊断方法。采用贝叶斯正则化算法改进传统深度信念网络的训练性能函数，在保证网络精度的同时快速提高计算速度，从而提高网络的收敛速度。实验结果表明，经过贝叶斯正则化改进后，深度信念网络训练的泛化能力得到了提高，同时故障诊断的准确率也得到了保证。

总广义变异 [Bredies et al. 2010] 是 Total Variation 正则化器的扩展版本，可提供更自然的恢复图像。 为了加快其执行时间，在 FFT 域中求解其多变量方程。

matlab开发-希尔伯特矩阵的正则化二维和非线性正则化测试。比较了正则化最小二乘法和普通最小二乘法。

针对光谱反射率重建常用方法中主成分分析法重建后产生病态的问题，提出一种基于降维正则化多项式的光谱反射率重建方法;利用主成分分析法对训练样本的高维光谱数据进行降维，在降维的基础上对样本的通道响应数进行多项式回归扩展来提高光谱反射率重建的精度，同时加入Tikhonov限制条件来避免多项式扩展导致的数据不稳定性和随机噪声产生的病态问题。结果表明：降维正则化多项式光谱反射率重建方法在精度评价中的效果优于主成分分析法和多项式回归扩展法，同时实现了降低光谱数据计算量、优化通道响应、提高反射率重建精度的目的。

细节增强的matlab代码单图像除雾Python 本文的python实现：“具有边界约束和上下文正则化的有效图像去雾” 结果 安装和运行测试 方法1 pip install image_dehazer 用法： $ import image_dehazer # Load the library $ HazeImg = cv2.imread('image_path') # read input image -- (**must be a color image**) $ HazeCorrectedImg = image_dehazer.remove_haze(HazeImg) # Remove Haze $ cv2.imshow('input image', HazeImg); # display the original hazy image $ cv2.imshow('enhanced_image', HazeCorrectedImg); # display the result $ cv2.waitKey(0) # ho

目的压缩感知理论突破了传统的Shanon-Nyquist采样定理的限制,能够以较少的采样值来进行原信号的恢复。针对压缩感知图像重建问题,提出一种基于优化加权全变差(TV)的复合正则化压缩感知图像重建模型。方法提出的重建模型是以TV正则化模型为基础。首先,为克服传统TV正则化会导致重建图像的边缘和纹理细节部分模糊或丢失的缺点,引入图像的梯度信息估计权重,构建加权TV的重建模型。其次,利用全变差去噪(ROF)模型对权重进行优化估计,从而减少计算权重时受噪声的影响。再次,将非局部结构相似性先验和局部自回归性先验引入提出的加权TV模型,得到优化加权TV的复合正则化重建模型。最后,结合投影法和算子分裂法对优化模型求解。结果针对自然图像的不同特性,使用复合正则化先验进行建模,实验结果表明上述重建问题通过本文方法得到了很好的解决,加权TV正则化先验使得图像的平坦区域和强边重建较好,而非局部结构相似性先验和局部自回归性先验能够保证图像的精细结构部分的重建效果。结论与其他基于TV正则化的重建模型相比,本文模型的重建性能无论是在视觉效果还是在客观评价指标上都有明显的提高。

最近的基于低秩的矩阵/张量恢复方法已经在多光谱图像（MSI）去噪中得到了广泛的探索。 但是，这些方法忽略了固有结构相关性沿空间稀疏性，光谱相关性和非局部自相似性模式的差异。 在本文中，我们通过对矩阵和张量情况下的秩属性进行详细分析，进一步找出非局部自相似性是关键因素，而其他人的低秩假设可能不成立。 这促使我们设计一个简单而有效的单向低秩张量恢复模型，该模型能够如实地捕获固有的结构相关性，并减少计算负担。 然而，由于重叠的补丁/立方体的聚集，低等级模型遭受了振铃伪影。 虽然以前的方法诉诸于空间信息，但我们通过利用MSI中的专有频谱信息来解决此问题，从而提供了一个新的视角。 引入基于分析的超拉普拉斯先验模型对全局频谱结构进行建模，以间接减轻空间域中的振铃伪影。 与现有方法相比，该方法的优点是多方面的：更合理的结构相关可表示性，更少的处理时间以及重叠区域中更少的伪影。 所提出的方法在多个基准上得到了广泛评估，并且明显优于最新的MSI去噪方法。

我就废话不多说了，大家还是直接看代码吧！ model = keras.models.Sequential([ #卷积层1 keras.layers.Conv2D(32,kernel_size=5,strides=1,padding=same,data_format=channels_last,activation=tf.nn.relu,kernel_regularizer=keras.regularizers.l2(0.01)), #池化层1 keras.layers.MaxPool2D(pool_size=2,strides=2,padding=same), #卷积层

MNIST-Tensorflow 99.6599％ 我写了一个Tensorflow代码用于MNIST数据的分类。 您可以使用以下命令获取结果： python main.py 此代码具有以下功能 使用了数据扩充（训练数据：50,000-> 250,000） 使用具有He_initializer的3x3转换，交错转换，衰减速率为0.9的batch_norm，Max_Pooling 激活功能为tf.nn.leaky_relu 使用全球平均池代替MLP 使用L2正则化损失，学习率衰减，beta1 = 0.5的Adam优化 它包含Tensorboard，保存，恢复的代码 环保环境 操作系统：Ubuntu 16.04 的Python 3.5 Tensorflow-gpu版本：1.4.0rc2（要求版本1.4.0以上） 如果出现错误，例如： "Expected int32, g