实例介绍
【实例简介】
传统的超分辨重建算法往往采用梯度下降法进行求解，迭代时步长往往通过经验确定。而且不同的图像的最优步长往往不相同。步长过大会导致发散，步长过小会导致收敛缓慢。本算法基于对正则化超分辨重建算法实现的基础上，对步长的选取进行了优化，推导出了每次迭代时的最优步长大小，并将其自适应化，改进了超分辨算法的收敛性，从而能够在更短的时间内取得更加精确的重建结果。相关具体内容请参考对应的论文：Yingqian Wang, Jungang Yang, Chao Xiao, and Wei An, "Fast convergence strategy for multi-image superresolution
【实例截图】
【核心代码】
Wang2018Fast
└── Wang2018Fast
├── ~$正则表.docx
├── cal_ssim.m
├── Demo_run.m
├── Gradient_BTV.m
├── HR2LR.m
├── ImDegrate.m
├── ImWarp.m
├── L2GradientBackProject.m
├── line_search.m
├── LR2HR.m
├── readme.txt
├── Set
│ ├── 01.bmp
│ ├── 02.bmp
│ ├── 03.bmp
│ ├── 04.bmp
│ ├── 05.bmp
│ ├── 06.bmp
│ ├── 07.bmp
│ ├── 08.bmp
│ ├── 09.bmp
│ ├── 10.bmp
│ ├── 11.bmp
│ ├── 12.bmp
│ ├── 13.bmp
│ ├── 14.bmp
│ ├── 15.bmp
│ ├── 16.bmp
│ ├── 17.bmp
│ └── 18.bmp
├── shift.m
├── Tikhonov.m
└── Wang_SR.m
2 directories, 32 files
传统的超分辨重建算法往往采用梯度下降法进行求解，迭代时步长往往通过经验确定。而且不同的图像的最优步长往往不相同。步长过大会导致发散，步长过小会导致收敛缓慢。本算法基于对正则化超分辨重建算法实现的基础上，对步长的选取进行了优化，推导出了每次迭代时的最优步长大小，并将其自适应化，改进了超分辨算法的收敛性，从而能够在更短的时间内取得更加精确的重建结果。相关具体内容请参考对应的论文：Yingqian Wang, Jungang Yang, Chao Xiao, and Wei An, "Fast convergence strategy for multi-image superresolution
【实例截图】
【核心代码】
Wang2018Fast
└── Wang2018Fast
├── ~$正则表.docx
├── cal_ssim.m
├── Demo_run.m
├── Gradient_BTV.m
├── HR2LR.m
├── ImDegrate.m
├── ImWarp.m
├── L2GradientBackProject.m
├── line_search.m
├── LR2HR.m
├── readme.txt
├── Set
│ ├── 01.bmp
│ ├── 02.bmp
│ ├── 03.bmp
│ ├── 04.bmp
│ ├── 05.bmp
│ ├── 06.bmp
│ ├── 07.bmp
│ ├── 08.bmp
│ ├── 09.bmp
│ ├── 10.bmp
│ ├── 11.bmp
│ ├── 12.bmp
│ ├── 13.bmp
│ ├── 14.bmp
│ ├── 15.bmp
│ ├── 16.bmp
│ ├── 17.bmp
│ └── 18.bmp
├── shift.m
├── Tikhonov.m
└── Wang_SR.m
2 directories, 32 files
标签：
好例子网口号：伸出你的我的手 — 分享！
小贴士
感谢您为本站写下的评论，您的评论对其它用户来说具有重要的参考价值，所以请认真填写。
- 类似“顶”、“沙发”之类没有营养的文字，对勤劳贡献的楼主来说是令人沮丧的反馈信息。
- 相信您也不想看到一排文字/表情墙，所以请不要反馈意义不大的重复字符，也请尽量不要纯表情的回复。
- 提问之前请再仔细看一遍楼主的说明，或许是您遗漏了。
- 请勿到处挖坑绊人、招贴广告。既占空间让人厌烦，又没人会搭理，于人于己都无利。
关于好例子网
本站旨在为广大IT学习爱好者提供一个非营利性互相学习交流分享平台。本站所有资源都可以被免费获取学习研究。本站资源来自网友分享，对搜索内容的合法性不具有预见性、识别性、控制性，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，平台无法对用户传输的作品、信息、内容的权属或合法性、安全性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论平台是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二与二十三条之规定，若资源存在侵权或相关问题请联系本站客服人员，点此联系我们。关于更多版权及免责申明参见 版权及免责申明
网友评论
我要评论