第1章 緒論11．1 研究背景及意義11．2 研究現(xiàn)狀及發(fā)展趨勢(shì)31．2．1 空間域方法31．2．2 變換域方法71．3 存在的問題81．4 本書主要工作和創(chuàng)新點(diǎn)91．5 本書內(nèi)容安排12第2章 圖像去噪的理論基礎(chǔ)152．1 圖像處理中常見的噪聲152．1．1 加性噪聲152．1．2 乘性噪聲162．2 圖像質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)172．2．1 主觀評(píng)價(jià)172．2．2 客觀評(píng)價(jià)182．3 圖像的方法噪聲192．4 本章小結(jié)20第3章 經(jīng)典圖像去噪方法213．1 非局部均值圖像去噪方法213．1．1 非局部均值去噪理論213．1．2 非局部均值去噪方法研究現(xiàn)狀223．2 基于先驗(yàn)信息的正則化去噪方法233．2．1 *大后驗(yàn)概率估計(jì)243．2．2 不同形式的正則化去噪方法243．3 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304．1 概述304．2 兩階段非局部均值去噪框架314．2．1 去噪過程324．2．2 圖像塊相似性度量334．2．3 抗噪的差分算子354．2．4 自適應(yīng)參數(shù)選擇方案374．3 實(shí)驗(yàn)結(jié)果與分析394．3．1 搜索窗口的設(shè)置394．3．2 去噪結(jié)果對(duì)比404．4 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465．1 概述465．2 自適應(yīng)的紋理保持去噪框架495．2．1 滿足超拉普拉斯分布的梯度直方圖匹配先驗(yàn)505．2．2 非局部自相似（NSS）先驗(yàn)505．2．3 內(nèi)容自適應(yīng)的參數(shù)選擇515．3 求解去噪模型535．3．1 x-子問題535．3．2 s-子問題545．3．3 迭代直方圖匹配算法545．3．4 更新參數(shù)q和δ555．4 實(shí)驗(yàn)結(jié)果與分析565．4．1 參數(shù)設(shè)置565．4．2 與正則化去噪模型的比較565．4．3 與*新去噪方法的比較615．4．4 梯度保持性能635．4．5 運(yùn)行時(shí)間645．5 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666．1 概述666．2 基于SVD域的低秩近似去噪方法回顧――LRA-SVD方法676．3 基于能量分布估計(jì)的低秩去噪方法的問題描述686．3．1 邊緣信息輔助的圖像塊匹配686．3．2 真實(shí)信號(hào)能量分布估計(jì)696．3．3 噪聲方差約束的低秩矩陣近似716．3．4 加權(quán)組合726．3．5 迭代增強(qiáng)步驟726．4 實(shí)驗(yàn)結(jié)果與分析746．4．1 參數(shù)設(shè)置746．4．2 與代表性的方法比較746．4．3 與*新的去噪方法比較786．4．4 運(yùn)行時(shí)間806．5 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827．1 概述827．2 迭代增強(qiáng)技術(shù)的研究現(xiàn)狀837．3 自適應(yīng)增強(qiáng)的低秩去噪方法847．3．1 自適應(yīng)增強(qiáng)的去噪框架857．3．2 *優(yōu)解分析857．3．3 收斂性分析887．3．4 自適應(yīng)的相似圖像塊搜索方案897．3．5 迭代停止準(zhǔn)則907．4 實(shí)驗(yàn)結(jié)果與分析937．4．1 參數(shù)設(shè)置937．4．2 去噪結(jié)果937．5 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1008．1 概述1008．2 核維納濾波1018．3 基于結(jié)構(gòu)信息提取的低秩圖像去噪方法1018．3．1 結(jié)構(gòu)提取模型1028．3．2 相似圖像塊分組1038．3．3 基于低秩近似和核維納濾波的SEM*優(yōu)去噪模型1048．3．4 優(yōu)化算法1058．4 實(shí)驗(yàn)結(jié)果與分析1088．4．1 參數(shù)設(shè)置1088．4．2 去噪結(jié)果1108．4．3 運(yùn)行時(shí)間1178．5 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1199．1 概述1199．2 基于稀疏表示的去噪模型1209．3 圖像細(xì)節(jié)保護(hù)的去噪方法1229．3．1 圖像低頻信息恢復(fù)1229．3．2 圖像高頻信息恢復(fù)1239．3．3 圖像高頻成分和低頻成分的聚合1309．4 實(shí)驗(yàn)結(jié)果與分析1329．4．1 去噪性能比較1329．4．2 運(yùn)行時(shí)間比較1369．5 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13810．1 概述13810．2 兩階段增強(qiáng)低秩先驗(yàn)?zāi)Ｐ腿ピ敕椒?3910．2．1 第1階段：輪廓恢復(fù)13910．2．2 第2階段：細(xì)節(jié)恢復(fù)14110．3 實(shí)驗(yàn)結(jié)果與分析14810．3．1 參數(shù)設(shè)置14910．3．2 TSLR方法分析15010．3．3 與非深度學(xué)習(xí)方法的實(shí)驗(yàn)結(jié)果比較15110．3．4 與深度學(xué)習(xí)方法的實(shí)驗(yàn)結(jié)果比較15910．4 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16211．1 概述16211．2 彩色圖像四元數(shù)分析16311．2．1 四元數(shù)奇異值分解16311．2．2 離散四元數(shù)傅里葉變換16311．3 彩色圖像去噪方法16411．3．1 建立圖像塊組16411．3．2 四元數(shù)組稀疏模型16511．3．3 結(jié)合組稀疏與核維納濾波的四元數(shù)去噪模型16611．4 實(shí)驗(yàn)結(jié)果16711．5 本章小結(jié)169第12章 總結(jié)與展望17012．1 總結(jié)17012．2 展望172參考文獻(xiàn)174