图像超分辨率重建matlab源码 超分辨率图像处理 从几幅图象中提取像素合成新的比较清晰的图像-super-resolution image processing images from pieces of pixels from the synthesis of new clearer images 文件列表(点击判断是否您需要的文件): superresolution_v_2.0 .....................\.DS_Store .....................\application .....................\...........\.DS_Store .....................\...........\applicability.m .....................\...........\c2p.m .....................\...........\Contents.m .....................\...........\create_images.m .....................\...........\estimate_motion.m .....................\...........\estimate_rotation.m .....................\...........\estimate_shift.m .....................\...........\generatePSF.m .....................\...........\generation.fig .....................\...........\generation.m .....................\...........\gpl .....................\...........\html .....................\...........\....\.DS_Store .....................\...........\....\SR_about.html .....................\...........\....\SR_documentation.html .....................\...........\interpolation.m .....................\...........\iteratedbackprojection.m .....................\...........\keren.m .....................\...........\keren_shift.m .....................\...........\logo_epfl_small.tif .....................\...........\logo_warning.tif .....................\...........\lowpass.m .....................\...........\lucchese.m .....................\...........\marcel.m .....................\...........\marcel_shift.m .....................\...........\n_conv.m .....................\...........\n_convolution.m .....................\...........\papoulisgerchberg.m .....................\...........\pocs.m .....................\...........\robustnorm2.m .....................\...........\robustSR.m .....................\...........\shift.m .....................\...........\SR_about.m .....................\...........\SR_documentation.m .....................\...........\superresolution.fig .....................\...........\superresolution.m

1.支持任意大小的图片输入 2.输入模糊的图片，输出清晰的图片 3.采用pytorch框架实现，带有预训练权重，压缩包中带有完整的测试样例和代码 4.开箱即用，只需要两行代码即可使用

去噪声代码matlab 有限数据光声层析成像的Singram超分辨率和去噪卷积神经网络（SRCN） Python代码：（需要使用Tensorflow作为后端的keras） #Python拟议的深层神经网络的实现以及训练例程：SRCNTrain.py＃用于重新训练网络现有模型的Python代码：SRCNRetrain.py＃用于测试模型的Python代码：SRCNTest.py #MATLAB函数可将噪声添加到PAT正弦图中：addNoise.m #MATLAB代码制作正弦图补丁以创建训练和测试数据集：makePatches.m #MATLAB函数内插singoram（最近内插）：generalTwiceInterpolate.m 此Python和MATLAB代码用作以下工作的一部分：Navchetan Awasthi，Rohit Pardasani，Sandeep Kumar Kalva，Manojit Pramanik和Phaneendra K. Yalavarthy“ Sinogram超分辨率和降噪卷积神经网络（SRCN），用于有限的数据光声断层扫描” 该代码没有任何保证，可以随意

superresolution_v_2.0.zip（包含POCS） 图像超分辨率MATLAB实现 一个完整的系统 很好的参考

三次样条插值代码matlab Matlab的多帧超分辨率工具，灵感来自Oded Hanson的“稳健而快速的超分辨率”工具。 使用Matlab App-Designer对该应用程序进行了修改和重建，修复了“鲁棒快速超分辨率”和“卢卡斯-坎纳德仿射光流”算法的问题。 添加了“ MATLAB图像配准”和“自适应内核回归”作为计算超分辨率的附加选项。 信息 该项目是在THKöln的一个主题为“音频和视频技术的扩展研究”（AVT）的学期项目的背景下实现的。 特征 MFSR工具可从低分辨率图像的视频中计算出高分辨率图像。 从多种图像配准方法和超分辨率算法中选择。 支持的视频输入格式为AVI，MOV，MP4和M4V。 图像配准方法： MATLAB图像配准 Lukas-Kanade光学流仿射 卢卡斯-卡纳德（Lucas-Kanade）光学流动运动 超分辨率算法： 自适应内核回归 三次样条插值 强大的超分辨率 快速强大的超分辨率 源代码 源代码位于MFSR_App文件夹中。 该应用程序是使用Matlab App-Designer构建的，并使用Matlab Application Compiler进行了

高光谱图像分离matlab代码高光谱图像的光谱超分辨率 高光谱图像光谱超分辨率代码 目录 介绍 该存储库包含为高光谱数据的光谱超分辨率设计的 MATLAB 代码和脚本。 所提出的方法通过利用稀疏表示 (SR) 学习框架，从其获得的低分辨率形式合成高光谱分辨率 3D 数据立方体。 根据 SR 框架，各种低光谱分辨率和高光谱分辨率的数据立方体可以表示为来自学习过的过完备字典的元素的稀疏线性组合。 依赖关系 数据集 所提出的光谱超分辨率方案的性能使用 EO-1 NASA 的 Hyperion 卫星高光谱地球观测场景进行量化。 由于其高光谱覆盖率，Hyperion 场景已被广泛用于遥感界用于分类和光谱分离目的。 我们考虑了 2015 年 8 月 30 日获得的夏威夷岛的高光谱场景，并利用了可见光和近红外光谱范围内的 67 个光谱带，从 436.9 到 833.83 nm。 字典 关于字典训练阶段，我们设计了耦合字典，基于 ADMM 稀疏耦合字典学习方案，对高光谱分辨率和低光谱分辨率特征空间进行建模。 我们从 100.000 对训练低和高光谱分辨率数据立方体中训练了 512 个代表性字典原子。

espcn的matlab代码 SuperResolution 超分辨率SuperResolution via Deep Learning List Of Paper: SRCNN FSRCNN ESPCN VDSR(Editing) SRGAN(Editing) Supervisor: WeiZhang Student: ZhijuePeng School: NEU （东北大学） Code:python & matlab Relevant library : OpenCV2 for python numpy matplotlib tensorflow keras Pytorch

高光谱图像分离matlab代码高光谱图像的光谱超分辨率 高光谱图像光谱超分辨率代码 目录 介绍 该存储库包含为高光谱数据的光谱超分辨率设计的 MATLAB 代码和脚本。 所提出的方法通过利用稀疏表示 (SR) 学习框架，从其获得的低分辨率形式合成高光谱分辨率 3D 数据立方体。 根据 SR 框架，各种低光谱分辨率和高光谱分辨率的数据立方体可以表示为来自学习过的过完备字典的元素的稀疏线性组合。 依赖关系 数据集 所提出的光谱超分辨率方案的性能使用 EO-1 NASA 的 Hyperion 卫星高光谱地球观测场景进行量化。 由于其高光谱覆盖率，Hyperion 场景已被广泛用于遥感界用于分类和光谱分离目的。 我们考虑了 2015 年 8 月 30 日获得的夏威夷岛的高光谱场景，并利用了可见光和近红外光谱范围内的 67 个光谱带，从 436.9 到 833.83 nm。 字典 关于字典训练阶段，我们设计了耦合字典，基于 ADMM 稀疏耦合字典学习方案，对高光谱分辨率和低光谱分辨率特征空间进行建模。 我们从 100.000 对训练低和高光谱分辨率数据立方体中训练了 512 个代表性字典原子。

超分辨的源代码，期中包含子函数等，很有用。。。有注释哦

通过深度学习的图像超分辨率Image Super-Resolution