全局频谱反卷积 全局光谱解卷积+峰优化器 gsd使用的算法是搜索拐点以确定峰的位置，并且峰的宽度在2个拐点之间。 GSD的结果产生一个包含{x，y和width}的对象数组。 但是，此宽度基于拐点，并且可能与“ fwhm”（全宽一半最大值）不同。 第二种算法（ optimizePeaks ）将宽度优化为FWHM以匹配原始峰。 因此，优化后的宽度始终为FWHM，无论使用哪个函数。 参数 minMaxRatio = 0.00025（0-1） 根据给定峰的相对高度与最高峰的比较来确定是否应将给定峰视为噪声的阈值。 broadRatio = 0.00（0-1） 如果broadRatio大于0，则所有二阶导数小于broadRatio * maxAbsSecondDerivative的峰都将被标记为true的软掩码。 noiseLevel = 0（-inf，inf） 频谱单位的噪声阈值 max

自适应颜色解卷积 (ACD) ============ 这是基于我们论文中描述的自适应颜色反卷积的组织学图像颜色归一化的实现： Yushan Zheng、Zhiguo Jiang、Haopeng Zhang、Fengying Xie、Jun Shi 和 Chenghai Xue，用于组织学 WSI 归一化的自适应颜色反卷积，生物医学中的计算机方法和程序，v170（2019）第 107-120 页。 要求 TensorFlow（1.3 或更高版本） Python 3.6 麻木 1.14.0 opencv-python 3.4.1 引用 如果您在自己的工作中使用此代码，请引用以下论文： @article{zhengCMPB2019, title = {Adaptive color deconvolution for histological WSI normalizat

TED（现称为BayesPrism） 使用统计边际化（BayesPrism）推断贝叶斯细胞比例重建：肿瘤微环境组成和基因表达的完全贝叶斯推断。 BayesPrism由反卷积模块和嵌入学习模块组成。去卷积模块利用来自scRNA-seq的细胞类型特异性表达谱，并实施完全贝叶斯推断，以根据肿瘤样品的大量RNA-seq表达共同估算细胞类型组成和细胞类型特异性基因表达的后验分布。嵌入学习模块使用期望最大化（EM）来使用肿瘤途径的线性组合来近似肿瘤表达，同时以反卷积模块估算的非肿瘤细胞的表达和分数为条件。 v1.1：添加了新功能，允许使用从scRNA-seq数据（例如，通过更精细的聚类）获得的细胞亚型/细胞状态信息，从而产生更细粒度的细胞类型，以更好地代表异质群体。它可以用来定义例如肿瘤微环境中的髓样或淋巴细胞群。 BayesPrism将计算这些子类型/状态的后验和。 v1.2：增加了功能cle

matlab生成维纳过程代码去卷积 一维傅立叶和小波分析工具用于反卷积 要求 八度 用法 小波相关功能： [u, v] = filt(type, p)返回类型为type小波变换中使用的父小波u ， v 。 w = wtrans(z, type, p)使用类型type的父小波返回矢量z的p分辨率小波变换。 z = iwtrans(w, type, p)使用类型type的父小波返回向量w的p分辨率逆小波变换。 如果type和p相同，则iwtrans和wtrans应该彼此iwtrans ，直到出现一些小错误wtrans 。 coeffs(w, p, q)返回第p分辨率小波变换的第q级小波系数。 q可以从1到p+1 。 q = p + 1代表最粗糙的小波电平。 B = getbasismat(type, p, N)生成维度为(p+1)xN的矩阵，其第j行包含基础元素，该元素进行转换以生成用于计算p第j级小波系数的向量长度为N （2的整数次方）的信号的第n分辨率小波变换。 [w, ratiounthres, wnoise] = applythres(w, method, p, thrvec)当提

反卷积-显微术-CycleGAN 这是CycleGAN的一种实现，带有用于反卷积显微镜的模糊内核：最佳传输几何。 先决条件 Python 3.7 火炬，火炬> = 0.4.1，火炬视觉> = 0.2.1 要运行代码，请通过以下命令安装所需的软件包 pip install -r requirements.txt 预处理数据集 生成数据集 python generate_dataset.py --phase train --num_imgs 2000 python generate_dataset.py --phase test --num_imgs 500 将数据集重命名为“数据集”。 要生成所有训练和测试数据的名称，请运行文件“ readDatasetNames.py” python readDatasetNames.py 训练模型 python main.py --phase

成像和计算机视觉中的逆问题通常作为数据保真度优化问题来解决，其中包括 H1 或 TV（总变异）等数据正则化器以呈现问题的适定性。 然而，虽然已知 H1 正则化会产生过度平滑的重建，但 TV（或 ROF）模型是保留特征的，但会引入阶梯伪影。 Sochen、Kimmel 和 Malladi (1998) 引入的几何衍生的 Beltrami 框架在特征保留和避免楼梯伪影之间提供了理想的折衷方案。 到目前为止，Beltrami 正则化器的主要限制因素之一是缺乏真正有效的优化方案。 在这里，我们从最有效的 TV 优化方法之一开始，原始对偶投影梯度，并将其应用于 Beltrami 泛函。 这样做，我们在基本灰度去噪问题上获得了比 ROF 去噪更好的性能，然后将该方法扩展到更复杂的问题，如修复、去卷积和颜色情况，所有这些都以一种简单的方式。 与最先进的 TV/ROF 正则化器相比，使用所提出的原始对

多点最优最小熵解卷积调整Geoff McDonald (glmcdona@gmail.com) 的代码，2015 McDonald、Geoff L.和赵青。 “多点最优最小熵解卷积和卷积修复：应用于振动故障检测。” 机械系统和信号处理 82 (2017)：461-477。 有关该论文的 PDF 版本，请参阅我的博客： http : //www.split-code.com/rotation.html 多点最优最小熵解卷积 (MOMEDA) 计算算法。 这提出方法求解用于从信号中解卷积周期性脉冲序列的最优解。 最适合应用于从振动信号到去卷积的旋转机器故障与许多齿轮和轴承故障相关的脉冲式振动。 此上传包括用于基础解卷积的“momeda”和用于绘图的“momeda_spectrum” 光谱。 通常，此光谱将在对应于临界值的周期处产生峰值频率，以及由此产生的幅度可以被跟踪以监视机器组件的运行状

psf的matlab代码光场反卷积 标题：“用于光场显微镜的相空间反卷积”的Matlab代码本书作者：陆志（），吴佳敏，乔慧和游洲.etc 版本：1.0版权：2019，陆志，吴佳敏，乔乔，游洲，陶岩，周紫荆，张旭，范静涛，戴琼海*根据参考文献[1]编辑。 Matlab代码，“用于光场显微镜的相空间反卷积” 该软件包包含了本文中描述的相空间反卷积算法的实现：陆志，吴家敏，乔巧和尤周等，“用于光场显微镜的相空间反卷积”。 如果使用该代码在学术出版物中生成数据（例如，图像，处理时间表等），请引用我们的论文。 有关算法的详细信息，请参阅我们的论文。 如何使用 该代码在具有Microsoft Xeon和32GB RAM的MS Windows 10 64位版本下的MATLAB 2018b（64bit）中进行了测试。 打开包装 在您的Matlab路径中包含代码/子目录 运行“ main.m”以尝试包含在此软件包中的示例。 通过“” a）下载所需的数据。 本文中参考图3的光场数据（B16cell的成像）保存在“ Raw”中，可用于测试。 b）。 点扩展功能的MAT文件位于目录“ PSF”中。 读者还可

matlab中存档算法代码盲反卷积 盲反卷积是使用未知模糊内核对图像进行模糊处理的过程。 我的大部分工作都与Rob Fergus的相关工作及其实施有关 为了提取清晰的图像，我们首先需要计算模糊核。 后者是使用最大后验（MAP）算法估算的，同时假设模糊核值具有指数先验分布。 理想情况下，先计算后验分布，然后再使用MAP算法。 在估计了模糊内核之后，使用Richardson Lucy算法（非盲反卷积）算法来获取最终锐化图像的像素值。 我的文章中给出了该算法的详细解释。 结果很少显示如下： 您还可以通过仅选择特定的图像区域并将其作为算法的输入，来锐化图像的一部分。 例如，考虑下面的模糊图像及其结果。 在这里，我只是想使瓶子更锋利，而不是使backgorund变得更锋利。 在任何模糊图像上运行代码的步骤： 将模糊的图像复制到images /中（例如ian1.jpg） 复制结果/中的示例图像脚本之一（例如，如果使用Linux，则为“ cp ian1.m ian1.m”） 编辑新的图像脚本（例如ian1.m），更改以下设置：-obs_im以反映新的文件名（例如obs_im ='../images/

文章目录1 摘要2 亮点2.1 解码器结构2.1.1 反池化层2.1.2 反卷积层2.1.3 反池化和反卷积结合2.2 网络整体结构3 部分效果3.1 FCN和DeconvNet的对比3.2 各个网络效果对比4 结论5 参考文献 1 摘要 针对单纯的FCN网络存在忽略小物体、分解大物体的问题，当时通常地做法是使用CRF做后处理进行对分割结果进行调整。而本文提出了DeconvNet，该网络可以拆解成反卷积层和反池化层，可以很好地解决上面FCN出现的问题并完成语义分割任务。作者最后发现DeconvNet和FCN能够非常兼容地进行合并，因此作者最后将FCN和DeconvNet结合能产生更好地效果。