第1章 緒論 1
1.1 研究背景及意義 1
1.2 研究現(xiàn)狀及發(fā)展趨勢(shì) 3
1.2.1 空間域方法 3
1.2.2 變換域方法 7
1.3 存在的問(wèn)題 8
1.4 本書(shū)主要工作和創(chuàng)新點(diǎn) 9
1.5 本書(shū)內(nèi)容安排 12
第2章 圖像去噪的理論基礎(chǔ) 15
2.1 圖像處理中常見(jiàn)的噪聲 15
2.1.1 加性噪聲 15
2.1.2 乘性噪聲 16
2.2 圖像質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn) 17
2.2.1 主觀評(píng)價(jià) 17
2.2.2 客觀評(píng)價(jià) 18
2.3 圖像的方法噪聲 19
2.4 本章小結(jié) 20
第3章 經(jīng)典圖像去噪方法 21
3.1 非局部均值圖像去噪方法 21
3.1.1 非局部均值去噪理論 21
3.1.2 非局部均值去噪方法研究現(xiàn)狀 22
3.2 基于先驗(yàn)信息的正則化去噪方法 23
3.2.1 最大后驗(yàn)概率估計(jì) 24
3.2.2 不同形式的正則化去噪方法 24
3.3 本章小結(jié) 29
第4章 基于邊緣相似度的自適應(yīng)兩階段非局部均值去噪方法 30
4.1 概述 30
4.2 兩階段非局部均值去噪框架 31
4.2.1 去噪過(guò)程 32
4.2.2 圖像塊相似性度量 33
4.2.3 抗噪的差分算子 35
4.2.4 自適應(yīng)參數(shù)選擇方案 37
4.3 實(shí)驗(yàn)結(jié)果與分析 39
4.3.1 搜索窗口的設(shè)置 39
4.3.2 去噪結(jié)果對(duì)比 40
4.4 本章小結(jié) 45
第5章 基于梯度直方圖和非局部自相似先驗(yàn)的自適應(yīng)紋理保持去噪方法 46
5.1 概述 46
5.2 自適應(yīng)的紋理保持去噪框架 49
5.2.1 滿足超拉普拉斯分布的梯度直方圖匹配先驗(yàn) 50
5.2.2 非局部自相似（NSS）先驗(yàn) 50
5.2.3 內(nèi)容自適應(yīng)的參數(shù)選擇 51
5.3 求解去噪模型 53
5.3.1 x-子問(wèn)題 53
5.3.2 s-子問(wèn)題 54
5.3.3 迭代直方圖匹配算法 54
5.3.4 更新參數(shù)q和δ 55
5.4 實(shí)驗(yàn)結(jié)果與分析 56
5.4.1 參數(shù)設(shè)置 56
5.4.2 與正則化去噪模型的比較 56
5.4.3 與最新去噪方法的比較 61
5.4.4 梯度保持性能 63
5.4.5 運(yùn)行時(shí)間 64
5.5 本章小結(jié) 65
第6章 基于SVD能量分布估計(jì)的低秩近似去噪方法 66
6.1 概述 66
6.2 基于SVD域的低秩近似去噪方法回顧——LRA-SVD方法 67
6.3 基于能量分布估計(jì)的低秩去噪方法的問(wèn)題描述 68
6.3.1 邊緣信息輔助的圖像塊匹配 68
6.3.2 真實(shí)信號(hào)能量分布估計(jì) 69
6.3.3 噪聲方差約束的低秩矩陣近似 71
6.3.4 加權(quán)組合 72
6.3.5 迭代增強(qiáng)步驟 72
6.4 實(shí)驗(yàn)結(jié)果與分析 74
6.4.1 參數(shù)設(shè)置 74
6.4.2 與代表性的方法比較 74
6.4.3 與最新的去噪方法比較 78
6.4.4 運(yùn)行時(shí)間 80
6.5 本章小結(jié) 81
第7章 基于自適應(yīng)增強(qiáng)方法的低秩去噪方法 82
7.1 概述 82
7.2 迭代增強(qiáng)技術(shù)的研究現(xiàn)狀 83
7.3 自適應(yīng)增強(qiáng)的低秩去噪方法 84
7.3.1 自適應(yīng)增強(qiáng)的去噪框架 85
7.3.2 最優(yōu)解分析 85
7.3.3 收斂性分析 88
7.3.4 自適應(yīng)的相似圖像塊搜索方案 89
7.3.5 迭代停止準(zhǔn)則 90
7.4 實(shí)驗(yàn)結(jié)果與分析 93
7.4.1 參數(shù)設(shè)置 93
7.4.2 去噪結(jié)果 93
7.5 本章小結(jié) 98
第8章 基于結(jié)構(gòu)信息提取的低秩圖像去噪方法 100
8.1 概述 100
8.2 核維納濾波 101
8.3 基于結(jié)構(gòu)信息提取的低秩圖像去噪方法 101
8.3.1 結(jié)構(gòu)提取模型 102
8.3.2 相似圖像塊分組 103
8.3.3 基于低秩近似和核維納濾波的SEM最優(yōu)去噪模型 104
8.3.4 優(yōu)化算法 105
8.4 實(shí)驗(yàn)結(jié)果與分析 108
8.4.1 參數(shù)設(shè)置 108
8.4.2 去噪結(jié)果 110
8.4.3 運(yùn)行時(shí)間 117
8.5 本章小結(jié) 118
第9章 基于稀疏表示與奇異值分解的圖像細(xì)節(jié)保護(hù)去噪方法 119
9.1 概述 119
9.2 基于稀疏表示的去噪模型 120
9.3 圖像細(xì)節(jié)保護(hù)的去噪方法 122
9.3.1 圖像低頻信息恢復(fù) 122
9.3.2 圖像高頻信息恢復(fù) 123
9.3.3 圖像高頻成分和低頻成分的聚合 130
9.4 實(shí)驗(yàn)結(jié)果與分析 132
9.4.1 去噪性能比較 132
9.4.2 運(yùn)行時(shí)間比較 136
9.5 本章小結(jié) 137
第10章 基于增強(qiáng)低秩先驗(yàn)的兩階段圖像去噪方法 138
10.1 概述 138
10.2 兩階段增強(qiáng)低秩先驗(yàn)?zāi)Ｐ腿ピ敕椒?139
10.2.1 第1階段：輪廓恢復(fù) 139
10.2.2 第2階段：細(xì)節(jié)恢復(fù) 141
10.3 實(shí)驗(yàn)結(jié)果與分析 148
10.3.1 參數(shù)設(shè)置 149
10.3.2 TSLR方法分析 150
10.3.3 與非深度學(xué)習(xí)方法的實(shí)驗(yàn)結(jié)果比較 151
10.3.4 與深度學(xué)習(xí)方法的實(shí)驗(yàn)結(jié)果比較 159
10.4 本章小結(jié) 161
第11章 基于四元數(shù)組稀疏的彩色圖像去噪方法 162
11.1 概述 162
11.2 彩色圖像四元數(shù)分析 163
11.2.1 四元數(shù)奇異值分解 163
11.2.2 離散四元數(shù)傅里葉變換 163
11.3 彩色圖像去噪方法 164
11.3.1 建立圖像塊組 164
11.3.2 四元數(shù)組稀疏模型 165
11.3.3 結(jié)合組稀疏與核維納濾波的四元數(shù)去噪模型 166
11.4 實(shí)驗(yàn)結(jié)果 167
11.5 本章小結(jié) 169
第12章 總結(jié)與展望 170
12.1 總結(jié) 170
12.2 展望 172
參考文獻(xiàn) 174