大家好，又见面了，我是你们的朋友全栈君。
【实例简介】
多图像超分辨率的实现主要就是将具有相似而又不同却又互相补充信息的配准影像融到一起，得到非均匀采样的较高分辨率数据，复原需要亚像素精度的运动矢量场，然而它们之间的运动模型估计精确与否直接影响到重建的效果，因此影像配准和运动模型的估计精度是高分辨率图像重建的关键。由于实际中不同时刻获得的影像数据间存在较大的变形、缩放、旋转和平移，因此必须对其进行配准，在此基础上进行运动模型估计。然后通过频率域或空间域的重建处理，生成均匀采样的超分辨率数据
【实例截图】
【核心代码】
superresolution_v_2.0
└── superresolution_v_2.0
├── __MACOSX
│ └── superresolution_v_2.0
│ └── application
│ └── html
└── superresolution_v_2.0
├── application
│ ├── applicability.m
│ ├── c2p.m
│ ├── Contents.m
│ ├── create_images.m
│ ├── estimate_motion.m
│ ├── estimate_rotation.m
│ ├── estimate_shift.m
│ ├── generatePSF.m
│ ├── generation.fig
│ ├── generation.m
│ ├── g_im_LR_1.tif
│ ├── g_im_LR_2.tif
│ ├── g_im_LR_3.tif
│ ├── g_im_LR_4.tif
│ ├── gpl
│ ├── html
│ │ ├── 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
│ ├── wind_LR_1.tif
│ ├── wind_LR_2.tif
│ ├── wind_LR_3.tif
│ └── wind_LR_4.tif
└── readme.txt
8 directories, 43 files
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/127357.html原文链接：https://javaforall.net
