图片分辨率

该资源提供基于 PyTorch 平台的 SRCNN 图像超分辨率深度学习模型，包括： 网络模型 训练代码 测试代码 评估代码 (可计算 RGB 和 YCrCb 空间下的峰值信噪比 PSNR 和结构相似度) 预训练权重

该函数基于正则化功能实现多帧超分辨率模型，用于解决图像序列放大问题。输入包含图像序列、运动值、旋转角度和放大常数。该函数使用Keren提出的配准方法估计运动。

使用局部均值法对彩色图片进行缩小处理，通过批量读入图片并统一像素大小，有效降低了分辨率。

这个存储库由Timothy J. Gardner和Marcelo O. Magnasco引入Python世界。在标准超声波检查中难以察觉的复杂声音细节在重新分配时变得明显可见。我们探索将新型线性重新分配技术应用于音频分类和无监督机器翻译等下游任务的概念。新的表示形式有望显著提高性能。点击下方图片并放大以观察实现的高分辨率线性重新分配效果。要从GitHub安装，请执行pip install git+git://github.com/earthspecies/spectral_hyperresolution.git。详细讨论该存储库中线性重新分配的使用和参数设置。

matlab开发-超分辨率应用程序。多帧超分辨率应用程序的图形用户界面。

细节增强的Matlab代码图像超分辨率反馈网络更新：我们建议的门控多反馈网络（GMFN）将出现在BMVC2019中。通过两个时间步长，每个时间步长包含7个RDB，与包括RDN的最新图像SR方法（其中包含16个RDB）相比，所提出的GMFN具有更好的重建性能。该存储库是我们建议的SRFBN的Pytorch代码。该代码由并基于进行开发，并在具有2080Ti / 1080Ti GPU的Ubuntu 16.04 / 18.04环境（Python 3.6 / 3/7，PyTorch 0.4.0 / 1.0.1，CUDA 8.0 / 9.0 / 10.0）上进行了测试。我们提出的SRFBN的体系结构。蓝色箭头表示反馈连接。有关我们建议的SRFBN的详细信息，请参见。如果您发现我们的工作对您的研究或出版物有用，请考虑引用： @inproceedings{li2019srfbn, author = {Li, Zhen and Yang, Jinglei and Liu, Zheng and Yang, Xiaomin and Jeon, Gwanggil}

高光谱数据可能存在冗余问题，降低光谱分辨率对黑土有机质预测模型精度有影响。实验结果表明，黑土有机质预测最优模型的光谱分辨率为50nm，低于高光谱遥感波段设置，略高于多光谱传感器波段设置。黑土有机质光谱预测最优模型以倒数对数微分为自变量，模型决定系数R2=0.799，RMSE=0.439。该研究为土壤有机质遥感反演、光谱速测仪器的研制和传感器波段设置提供理论依据。

多分辨率动态模式分解（DMD）有效解决了信号分析中的短时问题，其原理类似于短时傅里叶变换和小波变换，能够捕捉信号的局部特征。

该代码实现了对低分辨率图像的重构，适用于MATLAB环境。

这是用于高光谱超分辨率中耦合结构矩阵分解的混合不精确块坐标下降（HiBCD）Matlab代码，已在IEEE信号处理事务中发表。在半真实数据集实验中，您可以在提供的链接下载真实HS图像，并运行相应脚本以获取数据矩阵。合成数据集实验也包含在内，参考了吴瑞元、开海Wai和马永健的研究。专注于高光谱超分辨率（HSR）中的耦合结构矩阵。