單幅圖像復原技術

目 錄
第1章 緒論 1
1.1 圖像復原技術的研究背景及意義 1
1.2 圖像復原技術的數學模型 3
1.3 圖像復原技術之圖像超分辨率重建的研究現狀 5
1.4 圖像復原技術之圖像去噪的研究現狀 15
1.5 圖像復原技術之質量評價指標 22
1.6 本書的主要貢獻 23
1.7 本書的結構組織安排 24
1.8 本章小結 26
第2章 正則化稀疏表示的單幅圖像超分辨率重建方法 27
2.1 相關工作分析 28
2.1.1 傳統稀疏表示模型的理論基礎 28
2.1.2 PCA字典構造 29
2.1.3 經典的迭代收斂解法 30
2.1.4 圖像固有的行和列先驗 30
2.2 雙稀疏正則化稀疏表示模型 32
2.2.1 聯合列與行先驗的稀疏表示模型 32
2.2.2 字典選擇 36
2.3 模型的優化求解 36
2.4 基於雙稀疏正則化稀疏表示模型的重建方法 38
2.5 實驗結果與分析 39
2.5.1 實驗環境及參數的設置 40
2.5.2 無噪聲實驗 40
2.5.3 噪聲實驗 44
2.5.4 算法參數的研究 46
2.5.5 行非局部自相似性正則項的有效性 50
2.5.6 算法的時間復雜度與收斂性能 51
2.6 本章小結 52
第3章 稀疏表示聯合低秩約束的單幅圖像超分辨率重建方法 54
3.1 相關工作分析 55
3.2 基於低秩約束和非局部自相似性稀疏表示模型 57
3.2.1 低秩約束和非局部自相似性 57
3.2.2 字典選擇 58
3.3 模型的優化求解 59
3.4 基於低秩約束和非局部自相似性稀疏表示模型的重建方法 61
3.5 實驗結果與分析 61
3.5.1 實驗環境及參數的設置 62
3.5.2 無噪聲實驗 63
3.5.3 噪聲實驗 66
3.5.4 算法參數的研究 69
3.5.5 低秩約束正則項的有效性 74
3.5.6 算法的收斂性能 75
3.5.7 算法復雜度分析 76
3.6 本章小結 77
第4章 基於圖像成分的單幅圖像超分辨率重建方法 78
4.1 相關工作分析 80
4.1.1 傳統的聯合字典訓練的數學形式 80
4.1.2 有效的稀疏編碼算法 81
4.1.3 局部的可操作核回歸 84
4.2 基於全局非零梯度懲罰和非局部Laplacian稀疏表示模型 85
4.2.1 全局非零梯度懲罰模型重建HR邊緣成分圖像 86
4.2.2 非局部Laplacian稀疏表示模型重建HR紋理細節成分圖像 88
4.2.3 全局和局部優化模型提高重建的初始圖像的質量 95
4.3 基於全局非零梯度懲罰和非局部Laplacian稀疏表示模型的重建方法 96
4.4 實驗結果與分析 97
4.4.1 實驗配置 98
4.4.2 無噪聲實驗 99
4.4.3 噪聲實驗 103
4.4.4 算法復雜度分析 105
4.5 本章小結 105
第5章 基於廣義非局部自相似性正則化稀疏表示的單幅圖像超分辨率 重建方法 107
5.1 相關工作分析 108
5.1.1 基於稀疏表示的圖像重建框架 108
5.1.2 列和行非局部自相似性先驗 109
5.2 自適應lg-範數約束的廣義非局部自相似性稀疏表示模型 110
5.2.1 稀疏表示系數噪聲的分佈 110
5.2.2 自適應lg-範數約束的廣義非局部自相似性正則項 111
5.3 模型的優化求解 112
5.3.1 lg-範數問題 114
5.3.2 lg-範數問題 116
5.4 基於自適應lg-範數約束的廣義非局部自相似性稀疏表示模型的 重建算法 117
5.5 實驗結果與討論 118
5.5.1 參數設置 119
5.5.2 關鍵參數研究 119
5.5.3 自適應lg-範數約束的廣義非局部自相似性正則項的有效性 122
5.5.4 噪聲圖像實驗 124
5.6 本章小結 128
第6章 基於行非局部幾何字典的單幅圖像超分辨率重建 130
6.1 相關工作分析 130
6.1.1 基於稀疏表示的單幅圖像超分辨率重建 130
6.1.2 行局部自相似性與列非局部自相似性 132
6.2 基於行非局部幾何字典的稀疏表示模型 132
6.3 圖像超分辨率重建框架 134
6.3.1 聯合式行非局部幾何字典訓練 134
6.3.2 重建圖像 134
6.3.3 非局部正則化模型優化圖像 135
6.3.4 圖像重建算法 135
6.4 實驗結果與分析 136
6.4.1 實驗配置 136
6.4.2 參數配置 137
6.4.3 行非局部幾何字典的相關性分析 139
6.4.4 與現有方法的對比 139
6.4.5 耗時比較 144
6.5 本章小結 144
第7章 基於UNet的圖像去噪 146
7.1 相關工作分析 147
7.1.1 圖像去噪相關工作 147
7.1.2 UNet相關工作 148
7.2 基於特徵塊合並提煉器嵌入UNet的圖像去噪方法 148
7.2.1 特徵塊合並提煉器下採樣模塊 148
7.2.2 特徵塊合並模塊 149
7.2.3 子空間基向量學習及投影 150
7.2.4 GC塊模塊 150
7.3 基於特徵塊合並提煉器嵌入UNet的圖像去噪模型 152
7.4 損失函數 153
7.5 實驗結果與分析 153
7.5.1 訓練數據集和測試數據集 154
7.5.2 實驗細節 154
7.5.3 合成高斯噪聲實驗 154
7.5.4 真實噪聲實驗 158
7.5.5 消融實驗及討論 159
7.6 本章小結 161
參考文獻 162