目录
前言
第一篇 湍流效应及退化图像复原
第1章 湍流退化图像复原方法综述 3
1.1 湍流效应的成因和内涵 3
1.2 图像退化模型 5
1.2.1 模糊降质模型 5
1.2.2 畸变失真模型 5
1.3 退化图像复原方法的分类 6
1.3.1 图像去模糊 6
1.3.2 图像偏移校正 8
1.4 单幅退化图像复原方法 10
1.4.1 正则化处理方法 10
1.4.2 确定正则化图像复原方法 10
1.4.3 随机正则化图像复原方法 12
1.4.4 基于局部相似性的图像复原方法 12
1.4.5 基于示例学习的图像复原方法 13
1.5 视频序列图像的复原方法 14
1.5.1 视频复原的特征 15
1.5.2 三维解卷积与几种视频复原方法 16
1.6 图像复原的难点 18
1.6.1 视觉认知计算与图像复原 18
1.6.2 图像理解与图像复原 18
1.7 本章小结 19
第二篇 图像盲复原方法
第2章 基于PSF估计的自适应盲复原方法 23
2.1 基于冗余提升NSWT的PSF估计 23
2.1.1 大气湍流PSF辨识基础 23
2.1.2 常见PSF类型 25
2.1.3 已有PSF的估计方法 26
2.1.4 冗余提升NSWT的实现 28
2.1.5 基于冗余提升NSWT的PSF估计算法 30
2.2 基于PSF估计的自适应维纳滤波盲复原方法 33
2.2.1 维纳滤波 33
2.2.2 基于PSF估计的*小二乘曲线拟合维纳滤波复原方法 34
2.2.3 图像复原评价方法 37
2.2.4 实验与分析 38
2.3 基于PSF估计的自适应增量迭代维纳滤波 42
2.3.1 增量迭代维纳滤波原理 43
2.3.2 基于步长迭代控制的自适应增量维纳滤波算法 44
2.3.3 实验与分析 45
2.4 本章小结 48
第3章 基于稀疏多正则化的湍流图像盲复原方法 49
3.1 正则化复原与振铃效应 50
3.1.1 正则化复原 50
3.1.2 振铃效应 52
3.2 基于稀疏多正则约束的盲复原 53
3.2.1 空间目标图像的退化特点 53
3.2.2 多正则约束的复原模型 55
3.2.3 模型的优化求解 56
3.2.4 振铃抑制的非盲解卷积 61
3.2.5 实验与分析 61
3.3 本章小结 67
第4章 基于低秩矩阵和稀疏正则化的图像盲复原方法 68
4.1 噪声对核估计的影响和低秩稀疏分解模型 68
4.1.1 噪声对核估计的影响 69
4.1.2 低秩稀疏分解模型 70
4.2 结合非局部相似聚类和低秩矩阵的稀疏正则化盲解卷积 71
4.2.1 非局部相似块结构组的低秩恢复 72
4.2.2 结合低秩矩阵和稀疏正则化的模型 73
4.2.3 模型的优化求解 74
4.2.4 非盲解卷积 76
4.2.5 实验与分析 76
4.3 本章小结 83
第5章 基于回归映射的图像盲复原方法 84
5.1 退化模型的学习训练和*小二乘支持向量回归 84
5.1.1 退化模型的学习训练 84
5.1.2 *小二乘支持向量回归 85
5.2 基于果蝇优化的LSSVR图像复原方法 85
5.2.1 LSSVR模型参数优化 86
5.2.2 回归映射的复原流程 87
5.2.3 实验与分析 88
5.3 湍流序列图像的快速去模糊 92
5.3.1 成像条件分析 92
5.3.2 基于峰度的模型更新 93
5.3.3 实验与分析 94
5.4 本章小结 96
第三篇 基于视觉认知的退化图像复原方法
第6章 基于图像稀疏先验信息和机器学习的图像复原方法 99
6.1 图像的统计特性 99
6.1.1 自相似性和尺度不变性 99
6.1.2 非高斯性 100
6.1.3 边缘主导特性和高维奇异性 100
6.2 基于有效边缘先验估计的图像复原方法 100
6.2.1 图像复原的MAP估计方法 101
6.2.2 PSF估计的有效边缘映射图 101
6.2.3 基于ISD的PSF改良 103
6.2.4 快速的TV-L1解卷积 105
6.2.5 实验与分析 107
6.3 基于图像块相似性和稀疏先验信息的图像复原方法 109
6.3.1 图像的稀疏先验模型 109
6.3.2 从块相似性到图像复原 110
6.3.3 EPLL与几种基于学习的复原框架比较 110
6.3.4 EPLL的框架和优化 111
6.3.5 EPLL框架下的稀疏先验复原 112
6.3.6 实验与分析 113
6.4 本章小结 115
第7章 基于视觉认知和字典学习的图像复原方法 116
7.1 视觉认知与图像表征 116
7.1.1 HVS的层次结构与计算机视觉的处理机制 116
7.1.2 HVS的选择注意机制与相关模型 117
7.1.3 图像与图像变换的视觉建模 118
7.1.4 基于人眼视觉特性的图像表征方法 119
7.2 基于视觉认知特性的全局图像复原方法 119
7.2.1 人眼视觉对比敏感度的机理 120
7.2.2 基于视觉对比敏感度与恰可察觉失真感知的图像复原方法 120
7.2.3 实验与分析 126
7.3 基于字典学习和局部分块相似性的图像复原方法 127
7.3.1 图像块的稀疏分解与字典学习 127
7.3.2 对典型字典学习图像复原方法的分析和改进 128
7.3.3 基于字典对联合学习的退化图像复原方法 129
7.3.4 实验与分析 133
7.4 本章小结 135
第8章 基于视觉认知的视频序列图像复原方法 136
8.1 图像几何校正、图像配准和运动补偿 136
8.1.1 图像的几何校正 136
8.1.2 图像配准 137
8.1.3 运动补偿 138
8.2 基于增广拉格朗日的快速视频复原方法 138
8.2.1 时空TV的拉格朗日视频复原方法的框架和思想 139
8.2.2 增广拉格朗日视频复原方法的参数选择 141
8.2.3 实验与分析 142
8.3 基于非凸势函数优化与动态自适应滤波的退化视频复原方法 144
8.3.1 湍流退化视频的相关工作 145
8.3.2 图像复原的非凸优化框架及算法 147
8.3.3 动态自适应滤波的视频复原方法 150
8.3.4 实验与分析 152
8.4 本章小结 153
第四篇 湍流退化图像的去模糊、去振铃、抖动稳像和畸变校正
第9章 面向特定退化类型的空间变化模糊图像复原方法 157
9.1 图像模糊退化的常见类型 157
9.1.1 运动模糊 157
9.1.2 离焦模糊 158
9.1.3 高斯模糊 159
9.2 基于透明性的目标运动模糊图像复原方法 160
9.2.1 目标运动模糊分析 161
9.2.2 目标的二维运动去模糊方法 166
9.2.3 实验与分析 166
9.3 基于光流约束和光谱蒙板的空间运动模糊图像复原方法 168
9.3.1 运动模糊约束条件 170
9.3.2 空间变化运动模型与改进的模糊图像复原方法 173
9.3.3 实验与分析 176
9.4 基于模糊映射图的空间变化离焦模糊图像复原方法 178
9.4.1 图像的离焦模型 179
9.4.2 模糊映射图的生成方法 180
9.4.3 利用L1-2优化的图像复原方法 180
9.4.4 图像重构与尺度选择 182
9.4.5 实验与分析 182
9.5 本章小结 183
第10章 基于边缘分离的去振铃图像复原方法 185
10.1 图像盲复原方法与振铃效应 185
10.1.1 图像盲复原方法 185
10.1.2 振铃效应抑制及评价 186
10.2 基于边缘分离的去振铃复原算法 188
10.2.1 算法描述 188
10.2.2 实验与分析 191
10.3 本章小结 200
第11章 湍流退化图像偏移的畸变校正 201
11.1 湍流像素偏移与图像非刚性配准 201
11.1.1 湍流像素偏移分析 202
11.1.2 图像非刚性配准 204
11.2 基于仿射变换和B样条非刚性配准的偏移像素校正 205
11.2.1 像素偏移模型 205
11.2.2 配准流程分析 205
11.2.3 模型的优化求解 208
11.2.4 实验与分析 210
11.3 本章小结 215
第12章 湍流退化序列的抖动稳像和运动检测 216
12.1 序列的退化模型和序列中的运动检测 216
12.1.1 序列的退化模型 216
12.1.2 序列中的运动检测 217
12.2 基于低秩稀疏分解的湍流序列稳像和复原 218
12.2.1 湍流序列的低秩稀疏分解 218
12.2.2 模型的优化求解 219
12.2.3 序列图像复原 220
12.2.4 实验与分析 221
12.3 湍流退化视频的运动目标检测 225
12.3.1 自适应阈值的稀疏目标提取 226
12.3.2 高斯模型的前景提取 226
12.3.3 检测区域的融合判定 227
12.3.4 实验与分析 228
12.4 本章小结 231
第五篇 图像复原性能验证与图像质量评价
第13章 图像复原性能验证与图像质量的智能评价 235
13.1 视觉认知的过程和特性 235
13.1.1 视网膜的信息认知过程 236
13.1.2 视觉认知的生理学特性 236
13.1.3 视觉认知的心理学特性 237
13.2 基于HVS的仿生学图像质量评价框架 240
13.2.1 无参考型图像质量评价方法 240
13.2.2 基于误差可见度的仿生学图像质量评价框架 241
13.3 基于生物视觉标准模型的无参考型图像质量评价 242
13.3.1 生物视觉ST模型 243
13.3.2 *小二乘支持向量机回归算法 243
13.3.3 实验与分析 245
13.4 本章小结 249
参考文献 250
占位居中
直播中，去观看