针对传统总广义变分（TGV）小波修复模型采用单一小波基变换，仅对纹理细节信息较少且结构简单的图像有很好修复能力的缺点，提出一种紧框架域下的总广义变分正则化修复模型。不同于经典小波变换，紧框架系统具有冗余、时移不变和线性相位等图像处理过程中较为重要的特性。新模型通过引入多层紧框架分解系数的低阶与高阶导数项建立正则化项，获取图像不同尺度多方向上的特征信息来对图像进行约束。模型的数值实现采用分裂技术与原始-对偶方法相结合的优化算法（PDSBA），交替迭代求解两个易于处理的子问题，提高了图像修复过程的处理效率。相比于传统模型，所提模型不仅具有保边性能，而且对含有较多细节或纹理信息的图像也有较好的修复效果。实验结果显示，三个修复性能指标：峰值信噪比（PSNR）、平均绝对误差（MAE）和结构相似测度（SSIM）均获得显著提升。

1.python程序 2.可直接运行，有数据集

源代码+ppt+录屏+算法思维导图 一、 实验目的 编程分别用首次适应算法，最佳适应算法，最坏适应算法实现可变分区的分配与回收 二、 设备与环境 codeblocks 三、实验内容 分区空闲表要表示出分区号、始址、大小 作业申请和回收能够动态输入 内存不足，必须有提示功能 最后要显示内存的分配情况 总结收获体会及对该题解的改进意见和见解

内容概要：ubermag官网上的文档，该文档里面包含交换能，各向异性能，界面/体DMI能等能量项的推导过程，以及这些能量相互竞争导致对一维的布洛赫和奈尔型畴壁和二维的布洛赫和奈尔型斯格明子的影响。 读者要求：文档中式子的推导涉及到基本的矢量分析技巧，以及变分法。

包含TV_L1、tvl2、TV、TVAL3d、tvfista等。

糖尿病性视网膜病变 一种基于人眼图像的系统，使用图像处理和机器学习方法对糖尿病性视网膜病进行分类。 这是Kaggle竞争的解决方案。 可以在找到具有完整方法描述的论文。 图像处理 形态学图像处理方法用于提取特征性疾病的特征，例如渗出液和红色病变。 机器学习 XGBoost库用于将疾病分为五类。

基于全变差图像去噪经典算法,提出一种自适应保真项的数值实现算法.该算法利用图像纹理区和光滑区中噪声的不同特点,采用不同去噪强度避免传统方法的不足,并以数值方法实现.在保持经典算法去噪效果的前提下,解决了原有阶梯效应和过度平滑的问题,尤其对精致的纹理和细节图像,使其在去噪的同时,不丢失图像特点.该方法处理相对简单,可应用于以偏微分方程为基础的图像处理.

使用 1DCNN 和 MRS 数据对胶质瘤进行 IDH 和 TERTp 突变分类。

这些曲率滤波器是由 Yuanhao Gong 在博士期间开发的。MC过滤器和TV过滤器与论文中描述的完全相同。但 GC 过滤器稍作修改 更多详情、使用方法，请下载后阅读README.md文件

广义似变分不等式解的存在性和算法.pdf