現(xiàn)代圖像處理理論

目錄
“信息科學(xué)技術(shù)學(xué)術(shù)著作叢書”序
前言
第1章 圖像處理基礎(chǔ)理論 1
1.1 圖像的分類 2
1.2 圖像去馬賽克 4
1.2.1 濾色片陣列 4
1.2.2 圖像去馬賽克流程 5
1.2.3 RGB彩色圖像去馬賽克算法 .6
1.3 圖像去噪 11
1.3.1 圖像空域去噪算法 13
1.3.2 圖像頻域去噪算法 19
1.4 圖像超分辨重建技術(shù). 23
1.4.1 圖像降采樣模型 23
1.4.2 超分辨重建數(shù)學(xué)模型 24
1.4.3 基于插值的圖像超分辨重建方法 28
1.4.4 基于重構(gòu)的圖像超分辨重建方法 31
1.5 圖像融合 34
1.5.1 跨模態(tài)圖像融合算法 34
1.5.2 灰度圖像融合算法 37
1.5.3 彩色圖像融合算法 43
參考文獻(xiàn) 47
第2章 圖像先驗(yàn) 48
2.1 張量先驗(yàn) 48
2.1.1 張量基本運(yùn)算 50
2.1.2 張量分解 53
2.2 稀疏先驗(yàn) 55
2.2.1 稀疏表示原理 55
2.2.2 稀疏表示技術(shù)的分類 57
2.2.3 不同范數(shù)正則化的稀疏表示問(wèn)題 58
2.3 全變分先驗(yàn) 62
2.3.1 二維全變分 62
2.3.2 三維全變分 63
2.4 低秩先驗(yàn) 65
2.4.1 矩陣低秩 65
2.4.2 張量低秩 68
參考文獻(xiàn) 72
第3章 基于深度學(xué)習(xí)的圖像處理 74
3.1 深度學(xué)習(xí)基礎(chǔ)概念 74
3.1.1 神經(jīng)網(wǎng)絡(luò) 74
3.1.2 梯度下降 76
3.1.3 反向傳播 78
3.2 深度學(xué)習(xí)基本模塊 79
3.2.1 歸一化 79
3.2.2 激活函數(shù) 82
3.2.3 損失函數(shù) 84
3.2.4 正則化 85
3.2.5 丟棄法 85
3.2.6 數(shù)據(jù)增強(qiáng) 86
3.2.7 優(yōu)化算法(隨機(jī)梯度下降) 86
3.2.8 學(xué)習(xí)率調(diào)整 87
3.3 自監(jiān)督圖像去噪 89
3.3.1 自監(jiān)督學(xué)習(xí)的概念和原理 90
3.3.2 自監(jiān)督圖像去噪的問(wèn)題建模 91
3.3.3 自監(jiān)督圖像去噪的常用策略和技術(shù) 92
3.3.4 基于深度學(xué)習(xí)的自監(jiān)督圖像去噪方法 93
3.4 數(shù)據(jù)和物理聯(lián)合驅(qū)動(dòng)的圖像重建 101
3.4.1 數(shù)據(jù)和物理聯(lián)合驅(qū)動(dòng)的圖像重建方法 106
3.4.2 基于深度學(xué)習(xí)的圖像超分辨重建損失函數(shù) 110
參考文獻(xiàn) 114
第4章 基于張量結(jié)構(gòu)的高維圖像復(fù)原 116
4.1 高光譜成像技術(shù)基礎(chǔ)概念 116
4.2 基于非局部低秩正則的圖像去噪 118
4.2.1 稀疏表示的去噪模型 118
4.2.2 低秩正則的圖像去噪模型 119
4.2.3 張量分解的圖像去噪模型 120
4.2.4 非局部低秩正則高光譜圖像去噪 123
4.3 基于非凸張量秩*小化的高光譜圖像壓縮重建 125
4.4 耦合張量分解高光譜-多光譜圖像聯(lián)合去噪與融合 130
4.5 基于多層張量稀疏建模的高維圖像補(bǔ)全 136
4.5.1 因子梯度稀疏Tucker分解 137
4.5.2 多層變換的張量結(jié)構(gòu)稀疏表示 140
4.5.3 基于因子子空間稀疏張量分解的張量補(bǔ)全模型 145
4.6 張量深度先驗(yàn)與高維圖像處理 147
4.6.1 張量深度先驗(yàn)的圖像融合模型 147
4.6.2 張量深度先驗(yàn)網(wǎng)絡(luò)架構(gòu) 149
4.7 無(wú)監(jiān)督張量網(wǎng)絡(luò)的圖像融合 150
4.7.1 無(wú)監(jiān)督張量深度特征表示 151
4.7.2 多源張量深度特征聯(lián)合表示 154
4.7.3 無(wú)監(jiān)督張量圖像融合網(wǎng)絡(luò) 155
參考文獻(xiàn) 159