|
|
|
本書圍繞圖像重建領域展開，重點呈現作者在稀疏表示方面的理論創新和提出的圖像重建方法。
全書分為8章。第1～5章從圖像的基本概念、圖像的品質評價準則、圖像退化模型、傳統的圖像增強演算法、圖像重建的稀疏表示模型及其係數的計算和字典的訓練方法等方面介紹圖像重建的數學理論，為後續的演算法理解打下數學基礎。第6～8章具體講解圖像去噪方法、圖像超解析度演算法等多類圖像重建技術的過程和具體的應用方法，其中包括國內外圖像重建技術的…新演算法、各種演算法的詳細產生和計算推導過程、這些演算法的應用效果分析，以及它們潛在的改進方向等。
前言
第1章 圖像清晰化簡介 1
1.1 圖像清晰化的概念 1
1.2 圖像退化的種類 1
1.2.1 雜訊 2
1.2.2 亮度偏移 4
1.2.3 對比度拉# 5
1.2.4 模糊 6
1.2.5 壓縮 6
1.3 圖像退化的校正類型 7
1.3.1 去噪演算法 7
1.3.2 去模糊演算法 7
1.3.3 圖像超解析度 8
1.3.4 低照度校正演算法 8
1.4 圖像品質評價準則 9
1.4.1 客觀評價準則 9
1.4.2 FSIM的具體計算過程 17
1.5 本章小結 23
第2章 圖像退化的模型 24
2.1 科學問題的定義 24
2.2 圖像退化的建模 31
2.3 本章小結 32
課後習題 33
第3章 傳統圖像增強演算法 35
3.1 圖像的範本銳化演算法 35
3.1.1 拉普拉斯運算元的數學模型 35
3.1.2 拉普拉斯運算元範本運算 37
3.1.3 拉普拉斯運算元範本銳化實驗結果 39
3.1.4 其餘常見一階梯度範本 39
3.2 圖像的去噪演算法 43
3.2.1 均值濾波 43
3.2.2 中值濾波 45
3.2.3 維納濾波 47
3.3 圖像的去模糊演算法 51
3.3.1 維納濾波 52
3.3.2 約束最小二乘法濾波 52
3.4 圖像超解析度 54
3.4.1 雙線性插值演算法 55
3.4.2 雙三次插值演算法 56
3.5 長條圖均衡化演算法 57
3.5.1 長條圖均衡化的理論思想 59
3.5.2 長條圖均衡化的具體步驟 60
3.6 圖像的低照度校正演算法 61
3.6.1 同態濾波演算法 61
3.6.2 Retinex演算法 63
3.7 本章小結 70
課後習題 70
第4章 稀疏表示係數的求解 73
4.1 稀疏表示的基本概念 73
4.1.1 稀疏表示研究的關鍵問題 74
4.1.2 稀疏表示的模型 74
4.1.3 稀疏表示的應用 75
4.2 稀疏表示係數的求解方法 75
4.2.1 *2範數約束的求解方法 76
4.2.2 *0範數約束的求解方法 83
4.2.3 *1範數和*p範數的求解方法 100
4.2.4 反覆運算收縮演算法 108
4.3 本章小結 115
課後習題 116
第5章 稀疏表示字典的求解 119
5.1 稀疏表示字典的生成問題 119
5.2 字典的訓練模型 120
5.3 主成分分析 122
5.3.1 主成分分析的第一種理解 123
5.3.2 主成分分析的第二種理解 125
5.3.3 主成分分析的優缺點 126
5.4 奇異值分解 126
5.4.1 通過奇異值分解獲得矩陣的列主成分 129
5.4.2 通過奇異值分解獲得矩陣的行主成分 129
5.4.3 奇異值分解和主成分分析之間的關係 130
5.5 K-均值聚類演算法 130
5.5.1 K-均值聚類演算法流程 130
5.5.2 K-均值聚類演算法優缺點 131
5.6 …大似然方法 132
5.6.1 …大似然方法流程 132
5.6.2 …大似然方法流程分析 133
5.7 …優方向法 135
5.7.1 …優方向法演算法流程 135
5.7.2 …優方向法演算法流程分析 136
5.8 K-SVD 演算法 137
5.8.1 K-SVD 演算法流程 137
5.8.2 K-SVD演算法流程分析 138
5.8.3 K-SVD演算法的缺點 141
5.8.4 K-SVD演算法的對比實驗 141
5.9 雙獅模型 145
5.9.1 雙稀疏模型流程 146
5.9.2 雙稀疏模型流程分析 147
5.9.3 雙稀疏模型的優點 148
5.9.4 雙稀疏模型的對比實驗 148
5.10 簽名字典 149
5.10.1 簽名字典流程分析 150
5.10.2 簽名字典的優點 151
5.10.3 簽名字典的實驗結果 151
5.11 線上字典訓練 153
5.11.1 線上字典訓練流程 153
5.11.2 線上字典訓練流程分析 154
5.11.3 線上字典訓練實驗結果 157
5.12 本章小結 157
課後習題 158
第6章 圖像去噪演算法 161
6.1 稀疏表示去噪基本原理 161
6.2 BM3D 去噪 162
6.2.1 分組 162
6.2.2 協同濾波 163
6.2.3 演算法內容 163
6.2.4 演算法效果 170
6.3 本章小結 171
第7章 基於重建的圖像超解析度演算法 172
7.1 低解析度圖像的退化模型 173
7.2 圖像的正則化模型 174
7.2.1 圖像的光滑性 175
7.2.2 圖像的外部重複性 175
7.2.3 圖像的局部相似性 175
7.2.4 圖像的非局部相似性 175
7.2.5 圖像的多尺度自相似性 176
7.3 反覆運算反投影 177
7.4 全變分正則化 178
7.5 基於全變分正則化的圖像超解析度演算法 179
7.5.1 曲線弧長 180
7.5.2 模型介紹 180
7.5.3 演算法總結 181
7.5.4 實驗結果 182
7.5.5 演算法小結 190
7.6 基於全變分正則化和反覆運算反投影的後處理演算法 190
7.6.1 模型介紹 191
7.6.2 實驗結果 193
7.6.3 演算法小結 193
7.7 本章小結 194
第8章 基於學習的圖像超解析度演算法 195
8.1 基於鄰域嵌入的圖像超解析度重建 196
8.2 基於稀疏表示的圖像超解析度重建 197
8.2.1 基於稀疏表示的圖像超解析度重建模型 197
8.2.2 基於交替K-奇異值分解字典訓練的圖像超解析度重建演算法 201
8.2.3 基於中頻稀疏表示和全變分正則化的圖像超解析度重建演算法 213
8.3 基於圖像塊的圖像超解析度重建 235
8.4 基於卷積神經網路的圖像超解析度重建 256
8.4.1 卷積神經網路 256
8.4.2 基於深度內部學習的“零樣本”超解析度 268
8.4.3 特徵區分的單圖像超解析度 272
8.5 本章小結 277
參考文獻 278
