深度散斑相关性：一种通过散射介质实现可扩展成像的深度学习方法。 通过散射成像是一个重要但具有挑战性的问题。通过利用固定介质的确定性输入-输出传输矩阵已经取得了巨大的进步。然而，这种一对一的方法非常容易受到散斑去相关的影响——对散射介质的小扰动会导致模型错误和成像性能的严重下降。我们的目标是开发一个新的框架，该框架对介质扰动和测量要求都具有高度可扩展性。为此，我们提出了一种全面的统计深度学习技术，该技术封装了广泛的统计变化，使模型能够适应散斑去相关。具体来说，我们开发了一个卷积神经网络 (CNN)，它能够学习在一组具有相同宏观参数的扩散器上捕获的散斑强度模式中包含的统计信息。然后，据我们所知，我们首次展示了经过训练的 CNN 能够通过一组完全不同的相同类别的扩散器进行泛化并进行高质量的对象预测。我们的工作为通过散射介质成像的高度可扩展的深度学习方法铺平了道路。

对数字散斑技术做了基本分析与演练过程 适合初级者接触理解 针对给出的不同方法做进一步自我研究

激光散斑图像压缩对降低数据存储量具有重要的意义。设计了一种激光散斑图像无失真编码器,它由激光散斑位移估计、像素预测和Golomb编码组成。首先估计散斑位移;然后,根据激光动态散斑相关函数设计预测模型,并以预测模型为基础进行像素预测;最后,对预测误差进行Golomb编码。该编码器的主要特点包括使用数字散斑相关方法估计散斑位移,以及基于动态散斑相关函数极值的时间预测。实验结果显示,在压缩激光散斑图像时,激光散斑图像无失真编码器在压缩性能方面取得了较大的提高。

求变形前后的散斑图的位移，并求所求部分图像的相关函数，然后用2次曲面拟合求解位移值，精度达亚像素级。

数字图相关 matlab散斑相关 DSCM DIC，一些数字图像处理的部分程序（另外一些 找不到，一同学给的），有部分参考价值。