基于变分偏微分方程的图像复原技术

1 (p1): 第1章 图像复原技术概述
4 (p2): 1.1 图像复原的基本理论
4 (p3): 1.1.1 图像复原的基本概念
5 (p4): 1.1.2 图像复原的一般模型
8 (p5): 1.1.3 图像复原的贝叶斯理论
10 (p6): 1.2 图像复原技术的研究现状
12 (p7): 1.2.1 基于偏微分方程的图像复原技术
14 (p8): 1.2.2 神经网络图像复原技术
16 (p9): 1.2.3 小波图像复原技术
17 (p10): 1.2.4 基于图割的图像复原技术
18 (p11): 1.3 图像复原质量的评价标准
20 (p12): 1.4 小结
20 (p13): 参考文献
31 (p14): 第2章 变分偏微分方程在图像复原中的应用
32 (p15): 2.1 偏微分方程图像复原技术的相关定义
32 (p16): 2.1.1 偏微分方程的一些基本概念
40 (p17): 2.1.2 图像及其相关算子的数学表示［5］
41 (p18): 2.1.3 与图像处理有关的偏微分方程模型［6］
44 (p19): 2.2 图像复原中的变分法相关定义
44 (p20): 2.2.1 变分法相关知识
45 (p21): 2.2.2 变分预备定理
48 (p22): 2.3 整体变分图像复原技术
48 (p23): 2.3.1 有界变差函数的基本理论［10］
49 (p24): 2.3.2 整体变分图像复原模型
57 (p25): 2.3.3 整体变分图像复原模型的数值解法
63 (p26): 2.4 整体变分自适应图像去噪模型
63 (p27): 2.4.1 三种去噪模型的分析
64 (p28): 2.4.2 自适应TV去噪模型的构造
65 (p29): 2.4.3 实验结果及分析
67 (p30): 2.5 小结
67 (p31): 参考文献
70 (p32): 第3章 基于神经网络的图像复原技术研究
70 (p33): 3.1 神经网络的基本理论
71 (p34): 3.1.1 人工神经网络的简介
72 (p35): 3.1.2 人工神经元的模型
73 (p36): 3.1.3 BP神经网络
76 (p37): 3.1.4 Hopfield神经网络
79 (p38): 3.2 神经网络图像复原的问题描述
80 (p39): 3.3 基于变分PDE的神经网络图像复原算法
81 (p40): 3.3.1 正则化项的扩散特性分析
87 (p41): 3.3.2 基于调和模型的神经网络图像复原算法
89 (p42): 3.3.3 基于整体变分模型的神经网络图像复原算法
92 (p43): 3.3.4 正则化参数的选取
93 (p44): 3.3.5 实验结果与讨论
102 (p45): 3.4 状态连续改变的快速神经网络复原算法
102 (p46): 3.4.1 状态连续改变的神经网络复原模型
104 (p47): 3.4.2 状态连续改变的快速神经网络更新规则
105 (p48): 3.4.3 状态连续改变的快速神经网络复原算法
107 (p49): 3.4.4 仿真结果与讨论
110 (p50): 3.5 基于调和模型的快速神经网络复原算法
110 (p51): 3.5.1 算法描述
111 (p52): 3.5.2 仿真结果与分析
113 (p53): 3.6 基于调和模型的并行神经网络复原算法
113 (p54): 3.6.1 算法描述
115 (p55): 3.6.2 仿真结果与分析
118 (p56): 3.7 小结
119 (p57): 参考文献
122 (p58): 第4章 小波分析图像复原技术研究
122 (p59): 4.1 小波变换的基本理论
123 (p60): 4.1.1 连续小波变换
130 (p61): 4.1.2 离散小波变换
135 (p62): 4.1.3 小波变换在数字图像处理中的应用
136 (p63): 4.2 小波变换与图像复原
136 (p64): 4.2.1 小波阈值收缩去噪
139 (p65): 4.2.2 小波域迭代正则化图像复原
141 (p66): 4.2.3 小波域参数模型图像复原
143 (p67): 4.3 小波阈值收缩去噪与非线性扩散去噪之间的关系
144 (p68): 4.3.1 Haar小波的特性［32］
148 (p69): 4.3.2 Haar小波收缩去噪
149 (p70): 4.3.3 非线性扩散去噪
149 (p71): 4.3.4 Haar小波收缩与非线性扩散之间的关系
152 (p72): 4.3.5 仿真结果与讨论
153 (p73): 4.4 基于小波收缩与非线性扩散的混合去噪算法
154 (p74): 4.4.1…