这是一本基于python完成的BM3D去噪算法，值得学习一下

传统的去噪方法往往假设含噪图像的有用信息处在低频区域，而噪声信息处在高频区域，从而基于中值滤波、Wiener滤波、小波变换等方法实现图像去噪，而实际上这种假设并不总是成立的。
基于图像的稀疏表示，近几年来研讨者们提出了基于过完备字典稀疏表示的图像去噪模型，其基本原理是将图像的稀疏表示作为有用信息，将逼近残差视为噪声。
利用K-SVD算法求得基于稀疏和冗余的训练字典，同时针对K-SVD算法仅适合处理小规模数据的局限，通过定义全局最优来强制图像局部块的稀疏性。
文献[28]提出了稀疏性正则化的图像泊松去噪算法，该算法采用log的泊松似然函数作为保真项，用图像在冗余字典下稀疏性约束作为正则项，从而取得更好的去噪效果。

面向骨传导语音消噪算法及硬件实现技术研讨.pdf

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,处理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.

提出了一种基于非局部均值(NLM)滤波的相关激光雷达距离像去噪方法，结合滤波后的强度像和原始距离像、背景抑制(B-S)后的中值滤波和NLM滤波等图像融合方法，实现B-S和距离反常抑制。
对不同载噪比的相关激光雷达多目标仿真图像进行了去噪处理。
比较了Lee滤波等方法处理结果。
实验结果表明，采用该方法，能够满足距离像背景噪声抑制、目标上距离值正常和边缘保持三方面要求。

极度有用的视频去噪算法含仿真代码BM3D

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。