给图像去噪，本程序通过全变差方法求解。程序简单 效果好

全变差去噪matlab代码通过正则反转（IHRRI）工具箱进行的在线全息图重建 一个基于数字内嵌全息图的基于“逆问题”的图像重建的matlab代码。 该工具箱实现了基于逆问题的算法，专用于数字在线全息显微镜（DHM）中的图像重建。 关于DHM和逆方法的理论方面是在JOSA A [1]中发布​​的指南中开发的，并且此代码构成了该出版物中提出的算法的演示者。 可以按原样执行名为reconstruction_script.m的主要重建脚本，并且可以从必须在文件parameters.m设置参数（数据和结果保存路径，校准，算法设置）的线内全息图数据进行重建parameters.m （有关更多详细信息，请参考它）。 所有设置都存储在全局结构EXPE ，该结构还存储重建结果。 在脚本末尾，此结构保存在MAT文件的experiment.m中，该文件包含在results目录中一个带时间戳的子目录中，该子目录称为数据全息图文件。 原则 该代码能够执行两种“反问题”算法，旨在从强度在线全息图像Y重建图像X 在此代码中， X是2分量图像（[width，height，2]），每个图像分别对应于与单位透射平面的复

全变差去噪matlab代码令人敬畏的低光图像增强 论文和代码 评论与相关工作 [2021 IJCV ]基准微光图像增强及超越 [2020 IEEE ACCESS ]基于实验的弱光图像增强方法综述 基于HE的算法 去做 基于Retinex的算法 [2020年提示] LR3M：通过低阶正则化Retinex模型进行鲁棒的微光增强 [2018技巧]通过稳健的Retinex模型揭示结构的微光图像增强 [2016 CVPR ] MF：同时反射率和照度估计的加权变分模型 [2017提示] LIME：通过照明贴图估计进行低光图像增强 基于降噪的算法 去做 监督深度学习算法 [2021技巧]稀疏的梯度正则化深度Retinex网络，用于鲁棒的弱光图像增强（） [2020 CVPR ]学习通过分解和增强来还原弱光图像 [2019预印本]注意引导的微光图像增强 [2018 BMVC ] Retinex-Net：用于弱光增强的深度Retinex分解 [2018 FG ] GLADNet：具有全球意识的弱光增强网络 [2018 CVPR ]学习在黑暗中看 半监督深度学习算法 [2020 CVPR ] DRBN：从

实现全变差去噪(split bregman)使用opencv实现