本书共分8章,主要包括:相关数学基础、分块循环矩阵和分块Toeplitz矩阵的计算、两种典型的图像复原算法、基于全变差的图像正则化复原算法、Bregman分裂算法及其应用、基于偏微分方程的图像复原算法、变指数函数空间在图像复原和增强中的应用、深度学习在图像处理中的应用等。
在数字图像处理的过程中,由于成像系统、传输介质、记录设备和处理方法的不完善,图像在形成、传输、记录和处理过程中,常常受到摄像机聚焦不佳、传感器噪声、光学系统的像差、光学成像衍射、成像系统的非线性畸变、物体与摄像机之间的相对移动、随机大气湍流等因素的影响,造成不同程度的图像质量下降,无法完全反映场景的真实内容,这种现象被称为图像退化。
图像复原是一种改善图像质量的技术,从分析图像退化的机理入手,直接针对产生退化的原因,根据图像退化的先验知识进行分析,在此基础上建立数学模型,通过一定的求解策略对模型进行求解,□终得出原始清晰图像的□佳估计。早期的图像复原是利用光学的方法对失真的观测图像进行校正,而数字图像复原技术□早则是从对天文观测图像的后期处理中逐步发展起来的。其中一个成功例子是NASA的喷气推进实验室在1964年用计算机处理有关月球的照片。照片是空间飞行器用电视摄像机拍摄的,图像的复原包括消除干扰和噪声、校正几何失真和对比度损失以及反卷积。另一个典型的例子是对肯尼迪遇刺事件现场照片的处理。由于事发突然,照片是在相机与拍摄对象发生相对移动过程中拍摄的,对其图像复原的主要目的就是消除移动造成的失真。
在图像退化的过程中,常会有噪声的干扰,使得求解过程变得很不稳定,为此引入正则化方法,将病态问题转化为良态问题,使求解过程变得稳定。目前,图像复原算法主要分为非盲图像复原算法和图像盲复原算法两大类。
基于偏微分方程的图像去噪是图像复原的一个重要研究方向,这方面的研究□早可以追溯到1965年Gabor及Jain等人的工作,但是这个领域中起奠基性作用的要归功于Koenderink和Witkin,他们创造性地提出了尺度空间概念,提出高斯滤波处理等效于热传导方程的各向同性扩散。1986年,Hummel指出经过多尺度滤波后得到的图像,可以看作各向同性热扩散方程的解,并且他还注意到热扩散方程并不是□□的能够产生尺度空间的偏微分方程,满足极值原理的进化方程同样可以产生尺度空间。1987年,Kass等人提出了非常著名的主动轮廓模型(Active Contour Model,ACM),该模型建立了一种以图像边缘的内力/外力相约束的、能够表征图像区域轮廓的能量泛函,它以内力约束曲线的形貌,以外力引导扩散的行为,□终使得曲线逼近于□为理想的特征。1988年,Osher等人提出了具有几何约束的偏微分方程~一曲率驱动(Curvature Driven)的扩散方程,该方程为各向异性扩散模型,即图像灰度值仅沿其水平集方向(图像梯度的正交方向)扩散,这样可以保护图像的边缘特征。
□□章 相关数学基础
1.1 算子方程的病态性
1.2 □优化理论
1.3 泛函的变分、Euler-Lagrange方程和边界条件
1.4 离散傅里叶变换与离散卷积
1.4.1 一维离散傅里叶变换
1.4.2 一维离散卷积
1.4.3 二维离散傅里叶变换
1.4.4 二维离散卷积
1.5 数值计算方法
1.5.1 □速下降法
1.5.2 牛顿法
1.5.3 共轭梯度法
第2章 分块循环矩阵和分块Toeplitz矩阵的计算
2.1 循环矩阵与一维离散傅里叶变换的关系
2.2 分块循环矩阵与二维离散傅里叶变换的关系
第3章 两种典型的图像复原算法
3.1 基于傅里叶变换的图像复原算法
3.2 基于共轭梯度法的图像复原
3.3 预条件共轭梯度法和几种预条件矩阵
3.3.1 分块循环扩充预条件矩阵
3.3.2 Level 1分块循环预条件矩阵
3.3.3 Level 2分块循环预条件矩阵
第4章 基于全变差的图像正则化复原算法
4.1 基于全变差的图像正则化复原
4.1.1 函数全变差的定义
4.1.2 函数全变差的数值计算
4.2 原始-对偶牛顿法
第5章 Bregman分裂算法及其应用
5.1 Brown-nan迭代正则化算法
5.2 分裂Bregman算法
5.3 离散全变差正则化的Bregman分裂算法
5.4 基于Bregman分裂算法的各向异性图像去噪模型
5.5 基于Bregman分裂迭代的Retinex算法
5.6 图像盲复原模型
5.6.1 基于TV的盲复原模型
5.6.2 各向异性的图像盲复原迭代算法
5.6.3 综合吉洪诺夫(TiKi honov)正则化和全变差正则化的图像盲复原
5.6.4 基于李普西兹(Lipschitz)空间正则化的图像盲复原算法
第6章 基于偏微分方程的图像复原算法
6.1 Rudin-Osher-Fatemi全变差复原模型
6.2 Perona-Malik复原模型
6.3 基于四阶偏微分方程的复原模型
6.4 一种改进的Ambrosio-Tortorelli模型解法
6.4.1 AT模型方程、梯度下降法与牛顿法
6.4.2 离散格式
6.4.3 数值实验与分析
第7章 变指数函数空间在图像复原及增强中的应用
7.1 图像复原与增强方法综述
7.1.1 图像复原问题及方法
7.1.2 图像增强问题与方法
7.2 变指数函数空间中变分模型的数学基础
7.2.1 变指数函数空间
7.2.2 算子理论
7.3 变指数函数空间中的图像复原模型及其算法
7.3.1 流形上的变指数图像复原模型
7.3.2 模型的数值分析及其求解
7.3.3 实验结果
7.4 变指数函数空间中的盲复原模型及其算法
7.4.1 变指数正则化及变指数盲复原模型
7.4.2 模型求解与数值实验结果
7.5 变指数函数空间中的图像增强方法
7.5.1 变指数Retinex图像增强模型的建立
7.5.2 模型解的存在性及其求解
7.5.3 数值实验
第8章 深度学习在图像处理中的应用实例
8.1 深度学习
8.1.1 深度学习发展简史
8.1.2 神经网络原理
8.1.3 卷积神经网络原理
8.1.4 生成对抗网络原理
8.2 基于深度卷积网络的单目避障系统设计
8.2.1 避障系统整体框架
8.2.2 避障系统各模块分析
8.2.3 实验结果
8.3 卷积神经网络在图像复原模型的应用
8.4 生成对抗网络在图像去雨中的应用
8.4.1 常见的图像去雨方法
8.4.2 基于生成对抗网络的图像去雨方法
8.4.3 实验结果