第1章 绪论 1
1．1 研究背景及意义 1
1．2 研究现状及发展趋势 3
1．2．1 空间域方法 3
1．2．2 变换域方法 7
1．3 存在的问题 8
1．4 本书主要工作和创新点 9
1．5 本书内容安排 12
第2章 图像去噪的理论基础 15
2．1 图像处理中常见的噪声 15
2．1．1 加性噪声 15
2．1．2 乘性噪声 16
2．2 图像质量评价标准 17
2．2．1 主观评价 17
2．2．2 客观评价 18
2．3 图像的方法噪声 19
2．4 本章小结 20
第3章 经典图像去噪方法 21
3．1 非局部均值图像去噪方法 21
3．1．1 非局部均值去噪理论 21
3．1．2 非局部均值去噪方法研究现状 22
3．2 基于先验信息的正则化去噪方法 23
3．2．1 最大后验概率估计 24
3．2．2 不同形式的正则化去噪方法 24
3．3 本章小结 29
第4章 基于边缘相似度的自适应两阶段非局部均值去噪方法 30
4．1 概述 30
4．2 两阶段非局部均值去噪框架 31
4．2．1 去噪过程 32
4．2．2 图像块相似性度量 33
4．2．3 抗噪的差分算子 35
4．2．4 自适应参数选择方案 37
4．3 实验结果与分析 39
4．3．1 搜索窗口的设置 39
4．3．2 去噪结果对比 40
4．4 本章小结 45
第5章 基于梯度直方图和非局部自相似先验的自适应纹理保持去噪方法 46
5．1 概述 46
5．2 自适应的纹理保持去噪框架 49
5．2．1 满足超拉普拉斯分布的梯度直方图匹配先验 50
5．2．2 非局部自相似（NSS）先验 50
5．2．3 内容自适应的参数选择 51
5．3 求解去噪模型 53
5．3．1 x-子问题 53
5．3．2 s-子问题 54
5．3．3 迭代直方图匹配算法 54
5．3．4 更新参数q和δ 55
5．4 实验结果与分析 56
5．4．1 参数设置 56
5．4．2 与正则化去噪模型的比较 56
5．4．3 与最新去噪方法的比较 61
5．4．4 梯度保持性能 63
5．4．5 运行时间 64
5．5 本章小结 65
第6章 基于SVD能量分布估计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顾――LRA-SVD方法 67
6．3 基于能量分布估计的低秩去噪方法的问题描述 68
6．3．1 边缘信息辅助的图像块匹配 68
6．3．2 真实信号能量分布估计 69
6．3．3 噪声方差约束的低秩矩阵近似 71
6．3．4 加权组合 72
6．3．5 迭代增强步骤 72
6．4 实验结果与分析 74
6．4．1 参数设置 74
6．4．2 与代表性的方法比较 74
6．4．3 与最新的去噪方法比较 78
6．4．4 运行时间 80
6．5 本章小结 81
第7章 基于自适应增强方法的低秩去噪方法 82
7．1 概述 82
7．2 迭代增强技术的研究现状 83
7．3 自适应增强的低秩去噪方法 84
7．3．1 自适应增强的去噪框架 85
7．3．2 最优解分析 85
7．3．3 收敛性分析 88
7．3．4 自适应的相似图像块搜索方案 89
7．3．5 迭代停止准则 90
7．4 实验结果与分析 93
7．4．1 参数设置 93
7．4．2 去噪结果 93
7．5 本章小结 98
第8章 基于结构信息提取的低秩图像去噪方法 100
8．1 概述 100
8．2 核维纳滤波 101
8．3 基于结构信息提取的低秩图像去噪方法 101
8．3．1 结构提取模型 102
8．3．2 相似图像块分组 103
8．3．3 基于低秩近似和核维纳滤波的SEM最优去噪模型 104
8．3．4 优化算法 105
8．4 实验结果与分析 108
8．4．1 参数设置 108
8．4．2 去噪结果 110
8．4．3 运行时间 117
8．5 本章小结 118
第9章 基于稀疏表示与奇异值分解的图像细节保护去噪方法 119
9．1 概述 119
9．2 基于稀疏表示的去噪模型 120
9．3 图像细节保护的去噪方法 122
9．3．1 图像低频信息恢复 122
9．3．2 图像高频信息恢复 123
9．3．3 图像高频成分和低频成分的聚合 130
9．4 实验结果与分析 132
9．4．1 去噪性能比较 132
9．4．2 运行时间比较 136
9．5 本章小结 137
第10章 基于增强低秩先验的两阶段图像去噪方法 138
10．1 概述 138
10．2 两阶段增强低秩先验模型去噪方法 139
10．2．1 第1阶段：轮廓恢复 139
10．2．2 第2阶段：细节恢复 141
10．3 实验结果与分析 148
10．3．1 参数设置 149
10．3．2 TSLR方法分析 150
10．3．3 与非深度学习方法的实验结果比较 151
10．3．4 与深度学习方法的实验结果比较 159
10．4 本章小结 161
第11章 基于四元数组稀疏的彩色图像去噪方法 162
11．1 概述 162
11．2 彩色图像四元数分析 163
11．2．1 四元数奇异值分解 163
11．2．2 离散四元数傅里叶变换 163
11．3 彩色图像去噪方法 164
11．3．1 建立图像块组 164
11．3．2 四元数组稀疏模型 165
11．3．3 结合组稀疏与核维纳滤波的四元数去噪模型 166
11．4 实验结果 167
11．5 本章小结 169
第12章 总结与展望 170
12．1 总结 170
12．2 展望 172
参考文献 174
展开
