Joint-Demosaic-and-Denoising-with-ADMM

该存储库包含用于运行切线副本编号推断管道的代码。我们还提供了伪切线选项，适用于仅有少量正常样本的情况，通过比较肿瘤图谱进行去噪。 系统要求：- Docker桌面（社区版或企业版均可） 安装步骤：1. 将此存储库克隆或下载到本地驱动器。2. 注意，如果选择下载而非克隆，文件 ./matlab_2010b/MCRInstaller.bin 可能无法完全下载。该文件由于大小问题，托管在Git LFS上。3. 确保 ./matlab_2010b/MCRInstaller.bin 文件大小为221MB，而不是134字节。

本代码库提供了一种去噪声的深度卷积神经网络（DCNN）用于数字化胸部断层合成图像（DBT）的对抗训练。该存储库与以下论文相关：M. Gao, JA Fessler和H.-P. Chan，‘具有对抗训练的深层卷积神经网络对数字化乳房断层合成图像进行降噪’，IEEE医学影像交易，2021年。训练数据通过模拟软件生成，乳房幻影来自GE的基于Matlab的私有CatSim，模拟GE Pristina DBT系统。虽然有开源软件，但未包含所有模块，可以使用VICTRE软件包生成PV。使用自有的SART算法进行DBT重构，若无侦察算法，可尝试VICTRE中的FBP算法。代码要求：Python 2.7和TensorFlow 1.4.1。要部署降噪器，请运行：python deploy_dngan.py。我们提供了5片重建的VICTRE幻影DBT图像（异型，带有某些MC）作为测试部署代码的示例。

Matlab代码sqrt-admmDSM 简介 该Matlab代码包解决最密集子矩阵问题，此问题是分析矩阵结构和复杂网络中的基础问题。代码通过一阶优化方法识别给定图形或矩阵中固定大小的最密集子矩阵，适用于处理协作和通信网络等实际应用。 功能 该代码包包含以下主要功能：- plantedsubmatrix.m：生成从特定大小的密集子矩阵采样的二进制矩阵。- densub.m：实现ADMM算法，用于放松求解子图和子矩阵问题。- mat_shrink.m：实现软阈值运算符，应用于densub.m的X更新步骤中的奇异值向量。 使用方法 随机矩阵：使用plantedsubmatrix函数生成包含噪声的随机矩阵。通过densub函数可以恢复植入的密集子矩阵。 真实数据：此代码也适用于真实世界的数据，如协作网络和通信网络。 请参阅教程以详细了解如何使用此代码包。 示例代码： % Initialize problem sizes

本方法采用平移变换进行信号去噪，有效消除Gibbs效应。通过MATLAB编写，提高信号处理的质量和效率。

要复制屏幕截图的结果，请运行：测试_WHMM。该脚本是参考文献[1]的实现，包括两部分：1. 一维信号去噪（9~11页） 2. 一维随机过程(RP)分类（第12页）。参考：[1] 使用隐马尔可夫模型的基于小波的统计信号处理：MS Crouse, RD Nowak, RG Baraniuk - IEEE信号处理交易，1998 - dsp.rice.edu。可在：http://scholarship.rice.edu/bitstream/handle/1911/19815/Cro1998Apr1Wavelet-Ba.PDF?sequence=1。确认：作者要感谢Justin Romberg教授的“hmt1d”工具箱和他对如何使用它的友好帮助。

ADMM在分布式优化与统计学习中的应用 引言 ADMM（交替方向乘子法）作为一种有效的分布式优化算法，在近年来得到了广泛的应用和发展。主要基于斯坦福大学教授Stephen Boyd等人于2010年发表的一篇综述文章进行深入探讨。该文详细阐述了ADMM的基本原理及其在机器学习领域的应用，并对ADMM与其他优化方法进行了对比分析。 ADMM的背景与发展历程 ADMM的起源可以追溯到20世纪70年代末期，最初是由Gabay和Mercier提出的一种用于求解约束优化问题的方法。其发展历程中，几种早期相关技术为ADMM的演变奠定了基础：1. 对偶上升法2. 对偶分解法3. 增广拉格朗日法与乘子法 ADMM的基本原理 ADMM是一种迭代算法，主要用于求解大规模的优化问题，其核心思想是将原问题分解成一系列较小的子问题并迭代更新，主要步骤包括：1. 更新X：固定Y和Z，求解关于X的子问题。2. 更新Y：固定X和Z，求解关于Y的子问题。3. 更新Z：根据更新后的X和Y调整乘子向量Z。 收敛性分析 在论文中，作者讨论了ADMM的收敛性质，并证明在满足某些条件下（如强凸性），ADMM能够保证收敛到原问题的最优解，此外提出了几种改进策略以加速收敛速度。 应用场景 ADMM在多个领域的应用，尤其在大数据分析和分布式机器学习中展现出其强大能力，能够有效处理复杂的优化问题。

该存储库包含MATLAB脚本和样本数据，用于应用以下方法中的去噪技术：Mousavi, SM, 和 CA Langston (2016) 提出的自适应噪声估计与抑制方法，改进微震事件检测。文中使用的方法包括最小控制递归平均法进行噪声级估计，并在短时傅立叶变换(STFT) 域内应用Stein的无偏风格估计。更多细节请参见《Journal of Applied Geophysics》期刊中的论文：Adaptive noise estimation and suppression for improving microseismic event detection。 BibTeX引用格式：@article{mousavi2016adaptive,title={Adaptive noise estimation and suppression for improving microseismic event detection},author={Mousavi, S Mostafa and Langston, Charles A},journal={Journal of Applied Geophysics},volume={132},pages={116-124},year={2016},doi={10.1016/j.jappgeo.2016.008}}