圖像重建原理與應(yīng)用

目錄
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　噪聲　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　去噪算法　7
1.3.2　去模糊算法　7
1.3.3　圖像超分辨率　8
1.3.4　低照度校正算法　8
1.4　圖像質(zhì)量評價(jià)準(zhǔn)則　9
1.4.1　客觀評價(jià)準(zhǔn)則　9
1.4.2　FSIM的具體計(jì)算過程　17
1.5　本章小結(jié)　23
第2章　圖像退化的模型　24
2.1　科學(xué)問題的定義　24
2.2　圖像退化的建?！?1
2.3　本章小結(jié)　32
課后習(xí)題　33
第3章　傳統(tǒng)圖像增強(qiáng)算法　35
3.1　圖像的模板銳化算法　35
3.1.1　拉普拉斯算子的數(shù)學(xué)模型　35
3.1.2　拉普拉斯算子模板運(yùn)算　37
3.1.3　拉普拉斯算子模板銳化實(shí)驗(yàn)結(jié)果　39
3.1.4　其余常見一階梯度模板　39
3.2　圖像的去噪算法　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　圖像超分辨率　54
3.4.1　雙線性插值算法　55
3.4.2　雙三次插值算法　56
3.5　直方圖均衡化算法　57
3.5.1　直方圖均衡化的理論思想　59
3.5.2　直方圖均衡化的具體步驟　60
3.6　圖像的低照度校正算法　61
3.6.1　同態(tài)濾波算法　61
3.6.2　Retinex算法　63
3.7　本章小結(jié)　70
課后習(xí)題　70
第4章　稀疏表示系數(shù)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(guān)鍵問題　74
4.1.2　稀疏表示的模型　74
4.1.3　稀疏表示的應(yīng)用　75
4.2　稀疏表示系數(shù)的求解方法　75
4.2.1　*2范數(shù)約束的求解方法　76
4.2.2　*0范數(shù)約束的求解方法　83
4.2.3　*1范數(shù)和*p范數(shù)的求解方法　100
4.2.4　迭代收縮算法　108
4.3　本章小結(jié)　115
課后習(xí)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(xùn)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(yōu)缺點(diǎn)　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(guān)系　130
5.5　K-均值聚類算法　130
5.5.1　K-均值聚類算法流程　130
5.5.2　K-均值聚類算法優(yōu)缺點(diǎn)　131
5.6　最大似然方法　132
5.6.1　最大似然方法流程　132
5.6.2　最大似然方法流程分析　133
5.7　最優(yōu)方向法　135
5.7.1　最優(yōu)方向法算法流程　135
5.7.2　最優(yōu)方向法算法流程分析　136
5.8　K-SVD 算法　137
5.8.1　K-SVD 算法流程　137
5.8.2　K-SVD算法流程分析　138
5.8.3　K-SVD算法的缺點(diǎn)　141
5.8.4　K-SVD算法的對比實(shí)驗(yàn)　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(yōu)點(diǎn)　148
5.9.4　雙稀疏模型的對比實(shí)驗(yàn)　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(yōu)點(diǎn)　151
5.10.3　簽名字典的實(shí)驗(yàn)結(jié)果　151
5.11　在線字典訓(xùn)練　153
5.11.1　在線字典訓(xùn)練流程　153
5.11.2　在線字典訓(xùn)練流程分析　154
5.11.3　在線字典訓(xùn)練實(shí)驗(yàn)結(jié)果　157
5.12　本章小結(jié)　157
課后習(xí)題　158
第6章　圖像去噪算法　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(xié)同濾波　163
6.2.3　算法內(nèi)容　163
6.2.4　算法效果　170
6.3　本章小結(jié)　171
第7章　基于重建的圖像超分辨率算法　172
7.1　低分辨率圖像的退化模型　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　圖像的外部重復(fù)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　迭代反投影　177
7.4　全變分正則化　178
7.5　基于全變分正則化的圖像超分辨率算法　179
7.5.1　曲線弧長　180
7.5.2　模型介紹　180
7.5.3　算法總結(jié)　181
7.5.4　實(shí)驗(yàn)結(jié)果　182
7.5.5　算法小結(jié)　190
7.6　基于全變分正則化和迭代反投影的后處理算法　190
7.6.1　模型介紹　191
7.6.2　實(shí)驗(yàn)結(jié)果　193
7.6.3　算法小結(jié)　193
7.7　本章小結(jié)　194
第8章　基于學(xué)習(xí)的圖像超分辨率算法　195
8.1　基于鄰域嵌入的圖像超分辨率重建　196
8.2　基于稀疏表示的圖像超分辨率重建　197
8.2.1　基于稀疏表示的圖像超分辨率重建模型　197
8.2.2　基于交替K-奇異值分解字典訓(xùn)練的圖像超分辨率重建算法　201
8.2.3　基于中頻稀疏表示和全變分正則化的圖像超分辨率重建算法　213
8.3　基于圖像塊的圖像超分辨率重建　235
8.4　基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率重建　256
8.4.1　卷積神經(jīng)網(wǎng)絡(luò)　256
8.4.2　基于深度內(nèi)部學(xué)習(xí)的“零樣本”超分辨率　268
8.4.3　特征區(qū)分的單圖像超分辨率　272
8.5　本章小結(jié)　277
參考文獻(xiàn)　278