新書推薦：
《
知脊：脊柱使用说明书
》
售價：NT$
500.0
《
中国早期民法新论：案例、法规、概念与法律之外
》
售價：NT$
245.0
《
六星纪元：盟战时代
》
售價：NT$
398.0
《
富足人生指南：用十年时间实现富而喜悦
》
售價：NT$
398.0
《
少女杂货铺 Procreate可爱质感插画教程
》
售價：NT$
356.0
《
数理人文（第1辑）
》
售價：NT$
500.0
《
俘虏危机：大英帝国崛起的背面（1600～1850）
》
售價：NT$
607.0
《
家庭心理健康指南：孩子一生幸福的基石
》
售價：NT$
305.0
|
| 內容簡介： |
|
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）。
|
| 關於作者： |
|
李进明，博士，副教授，硕士生导师，研究方向：主要研究领域为图像超分辨率重建、机器视觉、第三代人工神经网络。学术研究成果：图像超分辨率重建不仅是智能视频分析、图像处理等研究领域的重要理论问题，也是实现航空航天遥感成像、精准医疗下高端影像诊断、绿色智能交通视频处理等重要实际应用的核心环节。部分研究成果已申请国家发明专利。申请并主持一项山东省自然科学基金青年基金项目：《基于隐含深度信息感知和低秩约束图像重建方法研究》（ZR2016FQ25），参与国家自然科学基金项目5项。
|
| 目錄：
|
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
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
