面向強噪聲場景的低秩稀疏學習視覺目標跟蹤方法

前  言
第1章  緒  論 1
1.1  強噪聲場景下視覺目標跟蹤的研究意義 1
1.2  研究現(xiàn)狀分析 2
1.2.1  變分圖像去噪方法研究現(xiàn)狀 3
1.2.2  分數(shù)階微積分理論在圖像處理應(yīng)用中的研究現(xiàn)狀 7
1.2.3  低秩稀疏學習目標跟蹤方法研究現(xiàn)狀 8
1.3  本書的主要工作 11
第2章  變分問題的基本計算方法 15
2.1  引言 15
2.2  正則化參數(shù)的調(diào)整算法 16
2.2.1  廣義交叉驗證法 16
2.2.2  L曲線方法 17
2.2.3  全局方差估計法 18
2.2.4  局部方差估計法 19
2.3  典型的變分數(shù)值算法 21
2.3.1  梯度下降法 21
2.3.2  投影法 22
2.3.3  快速閾值收縮迭代法 24
2.3.4  加權(quán)范數(shù)迭代法 26
2.3.5  MM算法 27
第3章  基于變分理論的自適應(yīng)原始對偶去噪算法 30
3.1  引言 30
3.2  ROF模型及其變換形式 31
3.2.1  ROF模型 31
3.2.2  ROF原始對偶模型 32
3.3 　數(shù)值算法 33
3.3.1　基于預(yù)解式的原始對偶算法 33
3.3.2  幾種相似算法的關(guān)系性分析 34
3.3.3 　自適應(yīng)原始對偶去噪算法的描述 36
3.3.4  收斂性分析 37
3.3.5　參數(shù)選擇 38
3.4　數(shù)值實驗與分析 40
3.4.1  算法性能的分析與比較 41
3.4.2  正則化參數(shù)調(diào)整策略的分析與比較 42
3.5  本章小結(jié) 46
第4章  基于分數(shù)階變分理論的加性噪聲去除算法 48
4.1  引言 48
4.2  分數(shù)階微積分的定義 49
4.2.1  Grünwald-Letnikov分數(shù)階微積分 49
4.2.2  Riemann-Liouville分數(shù)階微積分 50
4.2.3  Caputo分數(shù)階微積分 51
4.2.4  Fourier變換域的分數(shù)階微積分 52
4.3  分數(shù)階去噪模型的提出 53
4.4  數(shù)值算法 55
4.4.1  算法描述 55
4.4.2  收斂性分析 57
4.4.3  參數(shù)選擇 57
4.5  數(shù)值實驗與分析 59
4.5.1  正則化參數(shù)選取策略的分析與比較 59
4.5.2  算法性能的分析與比較 64
4.5.3  去噪性能的分析與比較 65
4.6  本章小結(jié) 73
第5章  基于分數(shù)階變分理論的乘性噪聲去除算法 75
5.1  引言 75
5.2  幾種乘性變分去噪模型及其相關(guān)性分析 76
5.2.1  SO模型 76
5.2.2  I-divergence模型 77
5.2.3  Weberized模型 77
5.2.4  模型的相關(guān)性分析 77
5.3  分數(shù)階I-divergence模型的提出 78
5.4  數(shù)值算法 80
5.4.1  算法描述 80
5.4.2  收斂性分析 82
5.4.3  參數(shù)選擇 82
5.5  數(shù)值實驗與分析 84
5.5.1  正則化參數(shù)的選取 84
5.5.2  算法的性能分析與比較 87
5.5.3  模型的性能分析與比較 89
5.6  本章小結(jié) 96
第6章  基于分數(shù)階邊緣檢測的目標分割算法 97
6.1  引言 97
6.2  整數(shù)階邊緣檢測算子 98
6.2.1  Sobel算子 98
6.2.2  Laplacian算子 99
6.3  分數(shù)階邊緣檢測算子的提出 100
6.3.1  分數(shù)階Sobel算子 100
6.3.2  分數(shù)階Laplacian算子 102
6.4  閾值選取 103
……