第1章 相關數學基礎
1．1 算子方程的病態性
1．2 *優化理論
1．3 泛函的變分、Euler-Lagrange方程和邊界條件
1．4 離散傅里葉變換與離散卷積
1．4．1 一維離散傅里葉變換
1．4．2 一維離散卷積
1．4．3 二維離散傅里葉變換
1．4．4 二維離散卷積
1．5 數值計算方法
1．5．1 *速下降法
1．5．2 牛頓法
1．5．3 共軛梯度法

第2章 分塊循環矩陣和分塊Toeplitz矩陣的計算
2．1 循環矩陣與一維離散傅里葉變換的關系
2．2 分塊循環矩陣與二維離散傅里葉變換的關系

第3章 兩種典型的圖像復原算法
3．1 基于傅里葉變換的圖像復原算法
3．2 基于共軛梯度法的圖像復原
3．3 預條件共軛梯度法和幾種預條件矩陣
3．3．1 分塊循環擴充預條件矩陣
3．3．2 Level 1分塊循環預條件矩陣
3．3．3 Level 2分塊循環預條件矩陣

第4章 基于全變差的圖像正則化復原算法
4．1 基于全變差的圖像正則化復原
4．1．1 函數全變差的定義
4．1．2 函數全變差的數值計算
4．2 原始-對偶牛頓法

第5章 Bregman分裂算法及其應用
5．1 Brown-nan迭代正則化算法
5．2 分裂Bregman算法
5．3 離散全變差正則化的Bregman分裂算法
5．4 基于Bregman分裂算法的各向異性圖像去噪模型
5．5 基于Bregman分裂迭代的Retinex算法
5．6 圖像盲復原模型
5．6．1 基于TV的盲復原模型
5．6．2 各向異性的圖像盲復原迭代算法
5．6．3 綜合吉洪諾夫（TiKi honov）正則化和全變差正則化的圖像盲復原
5．6．4 基于李普西茲（Lipschitz）空間正則化的圖像盲復原算法

第6章 基于偏微分方程的圖像復原算法
6．1 Rudin-Osher-Fatemi全變差復原模型
6．2 Perona-Malik復原模型
6．3 基于四階偏微分方程的復原模型
6．4 一種改進的Ambrosio-Tortorelli模型解法
6．4．1 AT模型方程、梯度下降法與牛頓法
6．4．2 離散格式
6．4．3 數值實驗與分析

第7章 變指數函數空間在圖像復原及增強中的應用
7．1 圖像復原與增強方法綜述
7．1．1 圖像復原問題及方法
7．1．2 圖像增強問題與方法
7．2 變指數函數空間中變分模型的數學基礎
7．2．1 變指數函數空間
7．2．2 算子理論
7．3 變指數函數空間中的圖像復原模型及其算法
7．3．1 流形上的變指數圖像復原模型
7．3．2 模型的數值分析及其求解
7．3．3 實驗結果
7．4 變指數函數空間中的盲復原模型及其算法
7．4．1 變指數正則化及變指數盲復原模型
7．4．2 模型求解與數值實驗結果
7．5 變指數函數空間中的圖像增強方法
7．5．1 變指數Retinex圖像增強模型的建立
7．5．2 模型解的存在性及其求解
7．5．3 數值實驗

第8章 深度學習在圖像處理中的應用實例
8．1 深度學習
8．1．1 深度學習發展簡史
8．1．2 神經網絡原理
8．1．3 卷積神經網絡原理
8．1．4 生成對抗網絡原理
8．2 基于深度卷積網絡的單目避障系統設計
8．2．1 避障系統整體框架
8．2．2 避障系統各模塊分析
8．2．3 實驗結果
8．3 卷積神經網絡在圖像復原模型的應用
8．4 生成對抗網絡在圖像去雨中的應用
8．4．1 常見的圖像去雨方法
8．4．2 基于生成對抗網絡的圖像去雨方法
8．4．3 實驗結果
參考文獻