描述
包 装: 平塑是否套装: 否国际标准书号ISBN: 9787121488849
内容简介
本书作者为了解决图像成像过程中所产生的图像低分辨率问题和图像噪声问题，历经多年的科研工作，作者沿着正则化模型解决方案一直到深度学习解决方案这一条研究路线展开了大量研究工作，提出了多种图像复原技术（双稀疏正则化稀疏表示技术、低秩约束和非局部自相似性的稀疏表示技术、全局非零梯度惩罚和非局部Laplacian稀疏编码的重建技术、自适应lq-范数约束的广义非局部自相似性正则项的稀疏表示技术、基于特征块合并提炼器嵌入Unet的图像去噪技术）。
目 录
目 录
第1章 绪论 1
1.1 图像复原技术的研究背景及意义 1
1.2 图像复原技术的数学模型 3
1.3 图像复原技术之图像超分辨率重建的研究现状 5
1.4 图像复原技术之图像去噪的研究现状 15
1.5 图像复原技术之质量评价指标 22
1.6 本书的主要贡献 23
1.7 本书的结构组织安排 24
1.8 本章小结 26
第2章 正则化稀疏表示的单幅图像超分辨率重建方法 27
2.1 相关工作分析 28
2.1.1 传统稀疏表示模型的理论基础 28
2.1.2 PCA字典构造 29
2.1.3 经典的迭代收敛解法 30
2.1.4 图像固有的行和列先验 30
2.2 双稀疏正则化稀疏表示模型 32
2.2.1 联合列与行先验的稀疏表示模型 32
2.2.2 字典选择 36
2.3 模型的优化求解 36
2.4 基于双稀疏正则化稀疏表示模型的重建方法 38
2.5 实验结果与分析 39
2.5.1 实验环境及参数的设置 40
2.5.2 无噪声实验 40
2.5.3 噪声实验 44
2.5.4 算法参数的研究 46
2.5.5 行非局部自相似性正则项的有效性 50
2.5.6 算法的时间复杂度与收敛性能 51
2.6 本章小结 52
第3章 稀疏表示联合低秩约束的单幅图像超分辨率重建方法 54
3.1 相关工作分析 55
3.2 基于低秩约束和非局部自相似性稀疏表示模型 57
3.2.1 低秩约束和非局部自相似性 57
3.2.2 字典选择 58
3.3 模型的优化求解 59
3.4 基于低秩约束和非局部自相似性稀疏表示模型的重建方法 61
3.5 实验结果与分析 61
3.5.1 实验环境及参数的设置 62
3.5.2 无噪声实验 63
3.5.3 噪声实验 66
3.5.4 算法参数的研究 69
3.5.5 低秩约束正则项的有效性 74
3.5.6 算法的收敛性能 75
3.5.7 算法复杂度分析 76
3.6 本章小结 77
第4章 基于图像成分的单幅图像超分辨率重建方法 78
4.1 相关工作分析 80
4.1.1 传统的联合字典训练的数学形式 80
4.1.2 有效的稀疏编码算法 81
4.1.3 局部的可操作核回归 84
4.2 基于全局非零梯度惩罚和非局部Laplacian稀疏表示模型 85
4.2.1 全局非零梯度惩罚模型重建HR边缘成分图像 86
4.2.2 非局部Laplacian稀疏表示模型重建HR纹理细节成分图像 88
4.2.3 全局和局部优化模型提高重建的初始图像的质量 95
4.3 基于全局非零梯度惩罚和非局部Laplacian稀疏表示模型的重建方法 96
4.4 实验结果与分析 97
4.4.1 实验配置 98
4.4.2 无噪声实验 99
4.4.3 噪声实验 103
4.4.4 算法复杂度分析 105
4.5 本章小结 105
第5章 基于广义非局部自相似性正则化稀疏表示的单幅图像超分辨率 重建方法 107
5.1 相关工作分析 108
5.1.1 基于稀疏表示的图像重建框架 108
5.1.2 列和行非局部自相似性先验 109
5.2 自适应lg-范数约束的广义非局部自相似性稀疏表示模型 110
5.2.1 稀疏表示系数噪声的分布 110
5.2.2 自适应lg-范数约束的广义非局部自相似性正则项 111
5.3 模型的优化求解 112
5.3.1 lg-范数问题 114
5.3.2 lg-范数问题 116
5.4 基于自适应lg-范数约束的广义非局部自相似性稀疏表示模型的 重建算法 117
5.5 实验结果与讨论 118
5.5.1 参数设置 119
5.5.2 关键参数研究 119
5.5.3 自适应lg-范数约束的广义非局部自相似性正则项的有效性 122
5.5.4 噪声图像实验 124
5.6 本章小结 128
第6章 基于行非局部几何字典的单幅图像超分辨率重建 130
6.1 相关工作分析 130
6.1.1 基于稀疏表示的单幅图像超分辨率重建 130
6.1.2 行局部自相似性与列非局部自相似性 132
6.2 基于行非局部几何字典的稀疏表示模型 132
6.3 图像超分辨率重建框架 134
6.3.1 联合式行非局部几何字典训练 134
6.3.2 重建图像 134
6.3.3 非局部正则化模型优化图像 135
6.3.4 图像重建算法 135
6.4 实验结果与分析 136
6.4.1 实验配置 136
6.4.2 参数配置 137
6.4.3 行非局部几何字典的相关性分析 139
6.4.4 与现有方法的对比 139
6.4.5 耗时比较 144
6.5 本章小结 144
第7章 基于UNet的图像去噪 146
7.1 相关工作分析 147
7.1.1 图像去噪相关工作 147
7.1.2 UNet相关工作 148
7.2 基于特征块合并提炼器嵌入UNet的图像去噪方法 148
7.2.1 特征块合并提炼器下采样模块 148
7.2.2 特征块合并模块 149
7.2.3 子空间基向量学习及投影 150
7.2.4 GC块模块 150
7.3 基于特征块合并提炼器嵌入UNet的图像去噪模型 152
7.4 损失函数 153
7.5 实验结果与分析 153
7.5.1 训练数据集和测试数据集 154
7.5.2 实验细节 154
7.5.3 合成高斯噪声实验 154
7.5.4 真实噪声实验 158
7.5.5 消融实验及讨论 159
7.6 本章小结 161
参考文献 162
第1章 绪论 1
1.1 图像复原技术的研究背景及意义 1
1.2 图像复原技术的数学模型 3
1.3 图像复原技术之图像超分辨率重建的研究现状 5
1.4 图像复原技术之图像去噪的研究现状 15
1.5 图像复原技术之质量评价指标 22
1.6 本书的主要贡献 23
1.7 本书的结构组织安排 24
1.8 本章小结 26
第2章 正则化稀疏表示的单幅图像超分辨率重建方法 27
2.1 相关工作分析 28
2.1.1 传统稀疏表示模型的理论基础 28
2.1.2 PCA字典构造 29
2.1.3 经典的迭代收敛解法 30
2.1.4 图像固有的行和列先验 30
2.2 双稀疏正则化稀疏表示模型 32
2.2.1 联合列与行先验的稀疏表示模型 32
2.2.2 字典选择 36
2.3 模型的优化求解 36
2.4 基于双稀疏正则化稀疏表示模型的重建方法 38
2.5 实验结果与分析 39
2.5.1 实验环境及参数的设置 40
2.5.2 无噪声实验 40
2.5.3 噪声实验 44
2.5.4 算法参数的研究 46
2.5.5 行非局部自相似性正则项的有效性 50
2.5.6 算法的时间复杂度与收敛性能 51
2.6 本章小结 52
第3章 稀疏表示联合低秩约束的单幅图像超分辨率重建方法 54
3.1 相关工作分析 55
3.2 基于低秩约束和非局部自相似性稀疏表示模型 57
3.2.1 低秩约束和非局部自相似性 57
3.2.2 字典选择 58
3.3 模型的优化求解 59
3.4 基于低秩约束和非局部自相似性稀疏表示模型的重建方法 61
3.5 实验结果与分析 61
3.5.1 实验环境及参数的设置 62
3.5.2 无噪声实验 63
3.5.3 噪声实验 66
3.5.4 算法参数的研究 69
3.5.5 低秩约束正则项的有效性 74
3.5.6 算法的收敛性能 75
3.5.7 算法复杂度分析 76
3.6 本章小结 77
第4章 基于图像成分的单幅图像超分辨率重建方法 78
4.1 相关工作分析 80
4.1.1 传统的联合字典训练的数学形式 80
4.1.2 有效的稀疏编码算法 81
4.1.3 局部的可操作核回归 84
4.2 基于全局非零梯度惩罚和非局部Laplacian稀疏表示模型 85
4.2.1 全局非零梯度惩罚模型重建HR边缘成分图像 86
4.2.2 非局部Laplacian稀疏表示模型重建HR纹理细节成分图像 88
4.2.3 全局和局部优化模型提高重建的初始图像的质量 95
4.3 基于全局非零梯度惩罚和非局部Laplacian稀疏表示模型的重建方法 96
4.4 实验结果与分析 97
4.4.1 实验配置 98
4.4.2 无噪声实验 99
4.4.3 噪声实验 103
4.4.4 算法复杂度分析 105
4.5 本章小结 105
第5章 基于广义非局部自相似性正则化稀疏表示的单幅图像超分辨率 重建方法 107
5.1 相关工作分析 108
5.1.1 基于稀疏表示的图像重建框架 108
5.1.2 列和行非局部自相似性先验 109
5.2 自适应lg-范数约束的广义非局部自相似性稀疏表示模型 110
5.2.1 稀疏表示系数噪声的分布 110
5.2.2 自适应lg-范数约束的广义非局部自相似性正则项 111
5.3 模型的优化求解 112
5.3.1 lg-范数问题 114
5.3.2 lg-范数问题 116
5.4 基于自适应lg-范数约束的广义非局部自相似性稀疏表示模型的 重建算法 117
5.5 实验结果与讨论 118
5.5.1 参数设置 119
5.5.2 关键参数研究 119
5.5.3 自适应lg-范数约束的广义非局部自相似性正则项的有效性 122
5.5.4 噪声图像实验 124
5.6 本章小结 128
第6章 基于行非局部几何字典的单幅图像超分辨率重建 130
6.1 相关工作分析 130
6.1.1 基于稀疏表示的单幅图像超分辨率重建 130
6.1.2 行局部自相似性与列非局部自相似性 132
6.2 基于行非局部几何字典的稀疏表示模型 132
6.3 图像超分辨率重建框架 134
6.3.1 联合式行非局部几何字典训练 134
6.3.2 重建图像 134
6.3.3 非局部正则化模型优化图像 135
6.3.4 图像重建算法 135
6.4 实验结果与分析 136
6.4.1 实验配置 136
6.4.2 参数配置 137
6.4.3 行非局部几何字典的相关性分析 139
6.4.4 与现有方法的对比 139
6.4.5 耗时比较 144
6.5 本章小结 144
第7章 基于UNet的图像去噪 146
7.1 相关工作分析 147
7.1.1 图像去噪相关工作 147
7.1.2 UNet相关工作 148
7.2 基于特征块合并提炼器嵌入UNet的图像去噪方法 148
7.2.1 特征块合并提炼器下采样模块 148
7.2.2 特征块合并模块 149
7.2.3 子空间基向量学习及投影 150
7.2.4 GC块模块 150
7.3 基于特征块合并提炼器嵌入UNet的图像去噪模型 152
7.4 损失函数 153
7.5 实验结果与分析 153
7.5.1 训练数据集和测试数据集 154
7.5.2 实验细节 154
7.5.3 合成高斯噪声实验 154
7.5.4 真实噪声实验 158
7.5.5 消融实验及讨论 159
7.6 本章小结 161
参考文献 162
评论
还没有评论。