《基於學習的圖像增強技術》是一本基於學習的圖像增強技術方面的論著，反映近年來該領域的最新研究進展。全書分為三個部分，第一部分介紹圖像的基本概念、圖像增強的一些基本方法和圖像插值技術；第二部分為基於學習的圖像解析度增強技水，第三部分介紹了一種新的圖像增強技術——基於視覺美學學習的圖像質量評估和增強技術。
基本介紹
- 中文名：基於學習的圖像增強技術
- 外文名：Learning Based Image Enhancement
- 作者：吳煒
- 出版社：西安電子科技大學出版社
- 頁數：209頁
- 開本：16
- 類型：計算機與網際網路
- 出版日期：2013年2月1日
- 語種：簡體中文
- ISBN：7560629814
內容簡介,作者簡介,圖書目錄,
內容簡介
《基於學習的圖像增強技術》適合於通信與信息系統、信號處理、計算機套用、模式識別等相關專業的研究人員和研究生學習參考
作者簡介
吳煒，男，博士，副教授。1994年9月至1998年7月就讀於天津大學，獲學士學位；2000年9月至2003年7月就讀於四川大學電子信息學院，獲碩士學位；2003年7月至今在四川大學電子信息學院任教；2008年7月在四川大學獲通信與信息系統博士學位；2009年10月至2010年10月在加拿大國家研究院從事為期一年的博士後研究。主要從事圖像處理、模式識別、機器學習等理論和技術研究，並擔任IEEE Transactions on Instrumentation and Measurement、Machine Vision and Applica—tions、Journal of Electronic Imaging等國際學術期刊的審稿人和美國Journal of Pattern Recognition Research期刊的Prospective Editor，主持或參與並完成了包括聯合基於學習的超解析度技術和多感測器超解析度技術在紅外圖像復原中的研究（國家自然科學基金：61271330）、計算光學切片顯微三維成像技術（國家自然科學基金：60372079）、視頻超解析度重建關鍵技術研究（教育部重點項目資助：107094）、智慧型交通系統、景區門票“人票合一”驗證管理系統等多項縱向、橫向科研項目，在國內外重要刊物和會議上發表論文50餘篇（其中被SCI、EI收錄20餘篇）。
圖書目錄
第一章圖像的基礎知識
1.1圖像信號的基本概念
1.1.1圖像的表示
1.1.2圖像的數位化過程
1.1.3數字圖像的基本類型
1.1.4顏色模式
1.1.5圖像解析度
1.2人眼的視覺原理
1.2.1人眼結構
1.2.2相對視敏度
1.2.3明暗視覺
1.2.4對比靈敏度
1.2.5可見度閾值和馬赫帶效應
1.3圖像質量的評估標準與方法
參考文獻
第二章常用圖像增強技術介紹
2.1圖像增強概述
2.2空域圖像增強
2.2.1灰度變換
2.2.2直方圖均衡
2.2.3空域濾波
2.3頻域圖像增強
2.3.1頻域低通濾波器
2.3.2頻域高通濾波器
2.4圖像客觀評價算法
2.4.1人眼視覺系統
2.4.2歸一化灰度差
2.4.3歸一化對比度
2.4.4歸一化信息熵
2.4.5視頻圖像質量客觀評價函式
2.5本章小結
參考文獻
第三章圖像插值技術
3.1圖像插值放大原理
3.2傳統圖像插值算法及原理
3.3基於邊緣的圖像插值算法
3.4實驗結果與分析
3.5本章小結
參考文獻
第四章超解析度技術綜述
4.1超解析度的含義及套用
4.2超解析度技術的分類
4.3成像模型
4.4基於重建的超解析度
4.4.1頻域算法
4.4.2空域算法
4.5基於學習的超解析度
4.5.1最大後驗機率（MAP）框架下的基於學習的超解析度理論
4.5.2基於學習的超解析度算法的類別
4.6本章小結
參考文獻
第五章基於多解析度塔式結構的人臉圖像超解析度技術
5.1基於學習的人臉超解析度系統
5.2幻覺臉技術的復原框架
5.3圖像金字塔模型
5.4多解析度塔式結構算法
5.4.1人臉高斯金字塔
5.4.2人臉拉普拉斯金字塔
5.4.3人臉特徵金字塔
5.4.4多解析度塔式結構算法總結
5.5匹配復原過程
5.5.1塔狀父結構
5.5.2搜尋匹配過程
5.6算法描述
5.7基於學習的超解析度圖像的集成最佳化
5.7.1超解析度復原的貝葉斯框架
5.7.2單目標最佳化算法
5.8實驗結果與分析
5.8.1多解析度塔式結構算法實驗結果與分析
5.8.2集成最佳化實驗結果與分析
5.9本章小結
參考文獻
第六章基於Contourlet變換的人臉圖像超解析度研究
6.1Contourlet變換的基本理論
6.1.1方向濾波器組
6.1.2Contourlet變換的特性分析
6.2基於Contourlet變換的人臉圖像超解析度
6.2.1特徵提取
6.2.2匹配復原
6.2.3算法描述
6.3實驗結果與分析
6.4本章小結
參考文獻
第七章基於改進的非下採樣Contourlet變換的人臉圖像超解析度
7.1非下採樣Contourlet變換
7.1.1非下採樣金字塔
7.1.2非下採樣方向濾波器組
7.2改進的非下採樣Contourlet變換
7.3算法實現
7.4實驗結果與分析
7.5本章小結
參考文獻
第八章基於馬爾可夫隨機場的超解析度技術研究
8.1馬爾可夫隨機場模型
8.2特徵表示
8.3基於馬爾可夫隨機場模型的超解析度學習算法
8.4實驗結果與分析
8.5本章小結
參考文獻
第九章基於重構方法的超解析度研究
9.1基於主成分分析重構的超解析度算法
9.1.1基於整幅圖像的PCA重構算法
9.1.2基於分塊的PCA重構算法
9.2基於流形學習重構的算法
9.2.1LLE算法的基本原理
9.2.2基於流形學習的超解析度基本原理
9.2.3特徵提取
9.2.4算法實現
9.3實驗結果與分析
9.4本章小結
參考文獻
第十章基於超完備字典的圖像稀疏表示理論的超解析度復原
10.1概述
10.1.1信號的稀疏表示及其研究現狀
10.1.2信號稀疏性表示
10.1.3超完備字典的基本概念
10.2信號稀疏分解算法
10.2.1引言
10.2.2框架算法
10.2.3匹配追蹤算法
10.2.4最佳正交基算法
10.2.5全局最優算法
10.3超完備字典學習算法
10.3.1常用的字典學習算法
10.3.2超完備字典學習算法的比較
10.4基於圖像稀疏表示的單幅圖像超解析度算法
10.4.1自訓練字典學習的算法框架
10.4.2由粗到精的圖像放大過程
10.4.3低解析度和高解析度超完備字典學習算法
10.5實驗結果及分析
10.5.1文本圖像放大實驗
10.5.2與其他基於學習超解析度算法對比
10.5.3圖像特徵提取算法對重建效果的影響
10.5.4目標放大倍數對重建效果的影響
10.5.5超完備字典尺寸對本章算法的影響
10.6本章小結
參考文獻
第十一章基於回歸方法的超解析度圖像復原研究
11.1支持向量回歸
11.2核偏最小二乘法回歸
11.2.1偏最小二乘法介紹
11.2.2核偏最小二乘法
11.3基於回歸方法的超解析度復原的基本原理
11.3.1超解析度圖像復原原理
11.3.2特徵表示
11.3.3基於回歸的圖像超解析度復原算法
11.4基於支持向量回歸方法的實驗結果與分析
11.4.1算法的性能
11.4.2算法參數分析
11.5基於核偏最小二乘法的超解析度實驗結果與分析
11.6本章小結
參考文獻
第十二章基於多解析度金字塔和LLE算法的人臉圖像超解析度算法
12.1先驗模型
12.1.1高斯金字塔
12.1.2拉普拉斯金字塔
12.1.3特徵金字塔
12.2先驗模型復原過程
12.2.1塔狀父結構
12.2.2匹配復原
12.2.3算法實現
12.3先驗模型和測量模型
12.4實驗結果及分析
12.5本章小結
參考文獻
第十三章基於馬爾可夫模型與Contourlet變換的圖像超解析度復原算法
13.1算法的基本原理
13.2Contourlet係數塊結構
13.3馬爾可夫模型
13.4基於MRF模型和Cotourlet變換的超解析度學習算法
13.5實驗結果與分析
13.6本章小結
參考文獻
第十四章基於視覺美學學習的圖像質量評估和增強
14.1基於學習的美學
14.1.1用戶調查
14.1.2視覺美學特徵
14.2重建照片，增強照片質量
14.2.1算法Ⅰ最佳化對象位置
14.2.2算法Ⅱ平衡視覺重量
14.3實驗結果與分析
14.4本章小結
參考文獻
1.1圖像信號的基本概念
1.1.1圖像的表示
1.1.2圖像的數位化過程
1.1.3數字圖像的基本類型
1.1.4顏色模式
1.1.5圖像解析度
1.2人眼的視覺原理
1.2.1人眼結構
1.2.2相對視敏度
1.2.3明暗視覺
1.2.4對比靈敏度
1.2.5可見度閾值和馬赫帶效應
1.3圖像質量的評估標準與方法
參考文獻
第二章常用圖像增強技術介紹
2.1圖像增強概述
2.2空域圖像增強
2.2.1灰度變換
2.2.2直方圖均衡
2.2.3空域濾波
2.3頻域圖像增強
2.3.1頻域低通濾波器
2.3.2頻域高通濾波器
2.4圖像客觀評價算法
2.4.1人眼視覺系統
2.4.2歸一化灰度差
2.4.3歸一化對比度
2.4.4歸一化信息熵
2.4.5視頻圖像質量客觀評價函式
2.5本章小結
參考文獻
第三章圖像插值技術
3.1圖像插值放大原理
3.2傳統圖像插值算法及原理
3.3基於邊緣的圖像插值算法
3.4實驗結果與分析
3.5本章小結
參考文獻
第四章超解析度技術綜述
4.1超解析度的含義及套用
4.2超解析度技術的分類
4.3成像模型
4.4基於重建的超解析度
4.4.1頻域算法
4.4.2空域算法
4.5基於學習的超解析度
4.5.1最大後驗機率（MAP）框架下的基於學習的超解析度理論
4.5.2基於學習的超解析度算法的類別
4.6本章小結
參考文獻
第五章基於多解析度塔式結構的人臉圖像超解析度技術
5.1基於學習的人臉超解析度系統
5.2幻覺臉技術的復原框架
5.3圖像金字塔模型
5.4多解析度塔式結構算法
5.4.1人臉高斯金字塔
5.4.2人臉拉普拉斯金字塔
5.4.3人臉特徵金字塔
5.4.4多解析度塔式結構算法總結
5.5匹配復原過程
5.5.1塔狀父結構
5.5.2搜尋匹配過程
5.6算法描述
5.7基於學習的超解析度圖像的集成最佳化
5.7.1超解析度復原的貝葉斯框架
5.7.2單目標最佳化算法
5.8實驗結果與分析
5.8.1多解析度塔式結構算法實驗結果與分析
5.8.2集成最佳化實驗結果與分析
5.9本章小結
參考文獻
第六章基於Contourlet變換的人臉圖像超解析度研究
6.1Contourlet變換的基本理論
6.1.1方向濾波器組
6.1.2Contourlet變換的特性分析
6.2基於Contourlet變換的人臉圖像超解析度
6.2.1特徵提取
6.2.2匹配復原
6.2.3算法描述
6.3實驗結果與分析
6.4本章小結
參考文獻
第七章基於改進的非下採樣Contourlet變換的人臉圖像超解析度
7.1非下採樣Contourlet變換
7.1.1非下採樣金字塔
7.1.2非下採樣方向濾波器組
7.2改進的非下採樣Contourlet變換
7.3算法實現
7.4實驗結果與分析
7.5本章小結
參考文獻
第八章基於馬爾可夫隨機場的超解析度技術研究
8.1馬爾可夫隨機場模型
8.2特徵表示
8.3基於馬爾可夫隨機場模型的超解析度學習算法
8.4實驗結果與分析
8.5本章小結
參考文獻
第九章基於重構方法的超解析度研究
9.1基於主成分分析重構的超解析度算法
9.1.1基於整幅圖像的PCA重構算法
9.1.2基於分塊的PCA重構算法
9.2基於流形學習重構的算法
9.2.1LLE算法的基本原理
9.2.2基於流形學習的超解析度基本原理
9.2.3特徵提取
9.2.4算法實現
9.3實驗結果與分析
9.4本章小結
參考文獻
第十章基於超完備字典的圖像稀疏表示理論的超解析度復原
10.1概述
10.1.1信號的稀疏表示及其研究現狀
10.1.2信號稀疏性表示
10.1.3超完備字典的基本概念
10.2信號稀疏分解算法
10.2.1引言
10.2.2框架算法
10.2.3匹配追蹤算法
10.2.4最佳正交基算法
10.2.5全局最優算法
10.3超完備字典學習算法
10.3.1常用的字典學習算法
10.3.2超完備字典學習算法的比較
10.4基於圖像稀疏表示的單幅圖像超解析度算法
10.4.1自訓練字典學習的算法框架
10.4.2由粗到精的圖像放大過程
10.4.3低解析度和高解析度超完備字典學習算法
10.5實驗結果及分析
10.5.1文本圖像放大實驗
10.5.2與其他基於學習超解析度算法對比
10.5.3圖像特徵提取算法對重建效果的影響
10.5.4目標放大倍數對重建效果的影響
10.5.5超完備字典尺寸對本章算法的影響
10.6本章小結
參考文獻
第十一章基於回歸方法的超解析度圖像復原研究
11.1支持向量回歸
11.2核偏最小二乘法回歸
11.2.1偏最小二乘法介紹
11.2.2核偏最小二乘法
11.3基於回歸方法的超解析度復原的基本原理
11.3.1超解析度圖像復原原理
11.3.2特徵表示
11.3.3基於回歸的圖像超解析度復原算法
11.4基於支持向量回歸方法的實驗結果與分析
11.4.1算法的性能
11.4.2算法參數分析
11.5基於核偏最小二乘法的超解析度實驗結果與分析
11.6本章小結
參考文獻
第十二章基於多解析度金字塔和LLE算法的人臉圖像超解析度算法
12.1先驗模型
12.1.1高斯金字塔
12.1.2拉普拉斯金字塔
12.1.3特徵金字塔
12.2先驗模型復原過程
12.2.1塔狀父結構
12.2.2匹配復原
12.2.3算法實現
12.3先驗模型和測量模型
12.4實驗結果及分析
12.5本章小結
參考文獻
第十三章基於馬爾可夫模型與Contourlet變換的圖像超解析度復原算法
13.1算法的基本原理
13.2Contourlet係數塊結構
13.3馬爾可夫模型
13.4基於MRF模型和Cotourlet變換的超解析度學習算法
13.5實驗結果與分析
13.6本章小結
參考文獻
第十四章基於視覺美學學習的圖像質量評估和增強
14.1基於學習的美學
14.1.1用戶調查
14.1.2視覺美學特徵
14.2重建照片，增強照片質量
14.2.1算法Ⅰ最佳化對象位置
14.2.2算法Ⅱ平衡視覺重量
14.3實驗結果與分析
14.4本章小結
參考文獻
