現(xiàn)代數(shù)字圖像處理

第一章\t緒論
1．1\t數(shù)字圖像處理
1．1．1\t圖像處理的簡(jiǎn)要?dú)v程
1．1．2\t圖像處理的內(nèi)容
1． 數(shù)字信號(hào)處理
2． 圖像處理的三個(gè)層面
3． 本書(shū)的主要內(nèi)容
1．1．3\t數(shù)字圖像處理系統(tǒng)
1．2\t光和圖像
1．2．1 \t光學(xué)單位和成像原理
1．\t光學(xué)單位
2．\t成像機(jī)理
1．2．2 \t什么是圖像
1．2．3 \t圖像信息的特點(diǎn)
1．\t語(yǔ)音和文本信息
2．\t圖像信息的特點(diǎn)
3．\t圖像的數(shù)據(jù)量
1．3\t人眼視覺(jué)特性
1．3．1\t基本視覺(jué)機(jī)理
1．人眼構(gòu)造和視覺(jué)
2．人眼視覺(jué)模型
1．3．2\t人眼視覺(jué)特性
1．\t亮度自適應(yīng)特性
2．\t對(duì)比度敏感特性
3．\t同時(shí)對(duì)比度特性
4．\tMarch帶特性
5．\t視覺(jué)暫留特性
1．4\t圖像質(zhì)量評(píng)價(jià)
1．4．1 \t主觀評(píng)價(jià)方法
1．4．2 \t客觀評(píng)價(jià)方法
1．\t基于像素誤差的評(píng)價(jià)
2．\t基于結(jié)構(gòu)相似度的評(píng)價(jià)
1．4．3 \t其它評(píng)價(jià)方法
1．\t基于感興趣區(qū)域的評(píng)價(jià)
2．\t聯(lián)合視聽(tīng)評(píng)價(jià)
3．\t無(wú)參考圖像的評(píng)價(jià)
4．\t基于機(jī)器學(xué)習(xí)的評(píng)價(jià)
第二章\t數(shù)字圖像基礎(chǔ)
2．1\t連續(xù)圖像
2．1．1 \t連續(xù)圖像函數(shù)
2．1．2 \t常見(jiàn)圖像種類(lèi)
2．1\t連續(xù)圖像的數(shù)字化
2．2．1 \t二維圖像頻譜
2．2．2 \t二維取樣陣列
1．\t沖激函數(shù)
2．\t取樣陣列
2．2．3 \t連續(xù)圖像的取樣
1．\t二維取樣定理
2．\t取樣圖像的重建
2．2．4 \t取樣值的量化
2．2．5 \t量化值的編碼
2．2．6 \t量化失真
2．2\t混疊和亞取樣
2．3．1 \t混疊效應(yīng)
2．3．2 \t反混疊濾波
2．3．3 \t亞取樣
2．3．4 \t實(shí)際取樣脈沖影響
2．3\t數(shù)字圖像的分辨率
2．4．1 \t空間分辨率
2．4．2 \t灰度分辨率
2．4．3 \t時(shí)間分辨率
2．4．4 \t綜合考慮
第三章\t圖像變換和分析
3．1\t 二維線性系統(tǒng)
3．1．1 \t二維線性移不變系統(tǒng)
3．1．2 \t二維離散卷積
1．\t一維離散卷積
2．\t一維卷積的矩陣表示
3．\t二維離散卷積
4．\t二維卷積的矩陣表示
3．2\t離散傅立葉變換
3．2．1 \t一維離散傅立葉變換
3．2．2 \t二維離散傅立葉變換
1．\t二維DFT的定義
2．\t二維DFT的性質(zhì)
3．\t二維DFT的實(shí)現(xiàn)
3．3\t離散余弦變換
3．3．1 \t一維離散余弦變換
3．3．2 \t二維離散余弦變換
3．4\t沃爾什和哈達(dá)瑪變換
3．4．1\t離散沃爾什變換
1．\t一維離散沃爾什變換
2．\t二維維離散沃爾什變換
3．4．2\t離散哈達(dá)瑪變換
1．\t一維離散哈達(dá)瑪變換
2．\t二維維離散哈達(dá)瑪變換
3．5\t圖像變換的矩陣表示
3．5．1 \t通用變換核
3．5．2 \t變換的矩陣表達(dá)式
3．5．3 \t基本圖像和基本頻譜
3．6\t主分量分析
3．6．1 \tPCA分析
3．6．2 \tPCA重建
3．6．3 \t圖像的PCA壓縮
3．7\t奇異值分解
3．7．1\t矩陣的奇異值分解
3．7．2\tSVD的簡(jiǎn)單說(shuō)明
3．7．3\t圖像的SVD
3．7．4\tSVD近似重建
1． 用F范數(shù)分析重建誤差
2． 用外積分析重建誤差
3．7．5\tSVD計(jì)算一例
第四章\t圖像增強(qiáng)
4．1 \t灰度變換
4．1．1 \t線性灰度變換
3． 灰度擴(kuò)展
4． 分段線性變換
5． 線性變換實(shí)例
4．1．2 \t非線性灰度變換
4．2 \t直方圖修正
4．2．1 \t圖像直方圖
4．2．2 \t直方圖均衡
1． 連續(xù)圖像的均衡化
2． 數(shù)字圖像的均衡化
3． 均衡化一例
4．2．3 \t直方圖匹配
4．3 \t圖像增晰
4．3．1 \t圖像銳化方法
1．\t高通濾波法
2．\t梯度算子法
3．\tSobel算子法
4．\t拉普拉斯算子法\t
4．3．2 \t同態(tài)濾波增晰
4．3．3 \tRetinex圖像增強(qiáng)
1．\t彩色衡常現(xiàn)象
2．\tRetinex基礎(chǔ)
3．\t單尺度Retinex算法
4．\t多尺度Retinex算法
5．\t低照度圖像的Retinex增強(qiáng)
6．\tRetinex和同態(tài)濾波
4．3．4 \t霧天圖像增晰
1．\t基于圖像增強(qiáng)的方法
2．\t基于暗通道原理的方法
4．4 \t圖像去噪
4．4．1 \t圖像噪聲
1．\t常見(jiàn)的圖像噪聲
2．\t圖像噪聲的分類(lèi)
3．\t圖像噪聲的統(tǒng)計(jì)特性
4．4．2 \t濾波去噪
1．\t低通濾波法
2．\t鄰域平均法
3．\t中值濾波法
4．\t多幅圖像平均法\t
4．4．3 \tBM3D圖像去噪
1．\tML-Means去噪算法
2．\tBM3D去噪算法
第五章\t圖像復(fù)原
5．1\t 圖像降質(zhì)分析
5．3．1 \t圖像的降值模型
1． \t連續(xù)圖像的降質(zhì)模型
2． \t離散圖像的降質(zhì)模型
5．3．2 \t常見(jiàn)降質(zhì)的傳遞函數(shù)
1．\t孔徑衍射影響
2．\t相對(duì)運(yùn)動(dòng)影響
3．\t大氣湍流影響
5．3．3 \t降值模型的矩陣表示
1．\t一維模型的矩陣表示
2．\t二維模型的矩陣表示
5．3．4 \t循環(huán)矩陣的對(duì)角化
1．\t循環(huán)矩陣的對(duì)角化
2．\t分塊循環(huán)矩陣的對(duì)角化
3．\t對(duì)角化在降質(zhì)模型中的應(yīng)用
5．2\t無(wú)約束圖像復(fù)原
5．2．1\t逆濾波圖像復(fù)原
5．2．2\t運(yùn)動(dòng)模糊的消除
1．\t逆濾波復(fù)原
2．\t遞推法復(fù)原
5．2．3\t無(wú)約束最小二乘方復(fù)原
5．3\t有約束圖像復(fù)原
5．3．1\t有約束最小二乘方復(fù)原
5．3．2\t維納濾波復(fù)原
5．3．3\t功率譜均衡復(fù)原
5．3．4\t平滑約束復(fù)原
5．4\t非線性圖像復(fù)原
5．4．1\t最大后驗(yàn)概率復(fù)原
5．4．2\t最大熵復(fù)原
5．5\t圖像的幾何校正
5．5．1\t空間坐標(biāo)的確定
1．\t轉(zhuǎn)換函數(shù)法
2．\t小三角形線性法
3．\t二元多項(xiàng)式法\t
5．5．2\t像素灰度的確定
5．5．3\t圖像放大
第六章\t小波變換
6．1\t 信號(hào)的時(shí)頻分析
6．1．1\t信號(hào)空間
1．\t距離空間
2．\t線性空間
3．\t正交基和框架
6．1．2\t從傅立葉變換到時(shí)頻分析
1．\t傅里葉變換的局限
2．\t視頻分析
6．1．3\tGable變換
1．\t加窗傅里葉變換
2．\t時(shí)寬和頻寬
6．1．4\t小波的特點(diǎn)
6．2\t多分辨率分析
6．2．1\t尺度函數(shù)和尺度空間
6．2．2\t多分辨率分析
6．2．3\t小波分析
1．\t小波函數(shù)和小波空間
2．\t正交小波分解
6．2．4\t小波函數(shù)的構(gòu)造
1．\t尺度函數(shù)和小波函數(shù)的正交性
2．\t二尺度方程
3．\t尺度向量和小波向量
4．\t構(gòu)造小波函數(shù)
6．3\t連續(xù)小波變換
6．3．1\t連續(xù)函數(shù)的小波變換
1．\t小波基函數(shù)
2．\t一維連續(xù)小波變換
3．\t二維連續(xù)小波變換
4．\t連續(xù)小波變換的性質(zhì)
6．3．2\t金字塔分解
6．3．3\t帶通濾波器組
1．\t小波變換的帶通等效
2．\t二維濾波器組
6．3．4\t子帶濾波
1．\t子帶分解和綜合
2．\t從子帶濾波到小波變換
6．4\t離散小波變換
6．4．1\t參數(shù)的離散化
1．\t離散小波變換
2．\t二進(jìn)參數(shù)小波變換
3．\t小波基函數(shù)幾例
6．4．2\t二維多分辨率分析
6．4．3\t二維離散小波變換
1．\t二維小波正變換
2．\t二維小波逆變換
6．4．4\t雙正交小波變換
1．\t一維雙正交小波變換
2．\t二維雙正交小波變換
6．4．5\t小波變換的提升算法
6．5\t小波變換的應(yīng)用
6．5．1\t小波函數(shù)的選取
1．\t正交性
2．\t緊支集
3．\t對(duì)稱(chēng)性
4．\t正則性
5．\t消失距
6．5．2\t圖像去噪和增強(qiáng)
6．5．3\t圖像壓縮
6．5．4\t圖像邊緣檢測(cè)
6．5．5\t圖像融合
第七章\t圖像壓縮
7．1\t圖像的相關(guān)特性
7．2\t預(yù)測(cè)編碼和變換編碼
7．2．1\t預(yù)測(cè)編碼
1．\t預(yù)測(cè)編碼原理
2．\t最佳線性預(yù)測(cè)
3．\t幀間預(yù)測(cè)
7．2．2\t變換編碼
1．\t改變數(shù)據(jù)分布
2．\t分塊DCT變換
7．3\t靜止圖像壓縮
7．3．1\t基于DCT的JPEG編碼
7．3．2\t基于小波的JPEG2000編碼
7．4\t活動(dòng)圖像壓縮
7．4．1\t混合編碼框架
7．4．2\t運(yùn)動(dòng)估計(jì)和運(yùn)動(dòng)補(bǔ)償
7．4．3\t像素遞歸運(yùn)動(dòng)估計(jì)
7．4．4\t塊匹配運(yùn)動(dòng)估計(jì)
1．\t全搜索算法
2．\t步快速搜索算法
3．\t分層運(yùn)動(dòng)估計(jì)算法
7．5\t量化和熵編碼
7．5．1\t標(biāo)量量化
1．\t最小均方誤差量化器
2．\t量化信噪比
7．5．2\t矢量量化
1．\t基本原理
2．\t碼書(shū)的設(shè)計(jì)
7．5．3\t熵編碼
1．\t哈夫曼編碼
2．\t準(zhǔn)變長(zhǎng)編碼
7．5．4\t算術(shù)編碼
1．\t編碼過(guò)程
2．\t解碼過(guò)程
7．5．5\t指數(shù)Golomb編碼
7．6\t有限失真編碼定理
7．6．1\t圖像的信息熵
1．\t無(wú)記憶信源熵
2．\t有記憶信源熵
7．6．2\t率失真定理
1．\t編碼模型
2．\t平均互信息量
3．\t率失真函數(shù)
4．\t失真率函數(shù)
5．\t有記憶信源的處理
7．6．3\t圖像的壓縮性能
1．\t壓縮比
2．\t平均碼字長(zhǎng)度
3．\t編碼效率
4．\t冗余度
第八章\t圖像分割
8．1\t 圖像分割的定義和方法\t
8．1．1\t圖像分割的定義
8．1．2\t圖像分割的方法
8．2\t基于閾值的分割\t
8．2．1\t全局閾值法
1．\t峰-谷法閾值選取
2．\t微分法閾值選取
8．2．2\t自適應(yīng)閾值法
8．2．3\t統(tǒng)計(jì)最優(yōu)閾值法
8．2．4\t最大類(lèi)間方差法
8．3\t基于邊界的分割
8．3．1\tLOG算子法
8．3．2\tCanny算子法
8．3．3\t邊界跟蹤法
1．\t邊界的鏈碼表示
2．\t邏輯運(yùn)算獲取邊界
8．3．4\t邊界擬合法
8．4\t基于區(qū)域的分割
8．4．1\t區(qū)域生長(zhǎng)法
1．\t基本方法
2．\t改進(jìn)方法
8．4．2\t分裂合并法
1．\t圖像的四叉樹(shù)表示
2．\t四叉樹(shù)圖像分割
8．4．3\t分水嶺法
1．\t基本概念
2．\t克服過(guò)度分割
8．5\t基于遺傳算法的分割
8．5．1\t遺傳算法
1．\t編解碼
2．\t初始種群
3．\t適應(yīng)度函數(shù)
4．\t遺傳操作
5．\t算法終止
8．5．2\t基于遺傳算法的Otsu分割
1．\t類(lèi)間方差
2．\t算法流程
第九章\t圖像描述與配準(zhǔn)
9．1\t圖像的邊界描述
9．1．1\t邊界的鏈碼表示
9．1．2\t邊界的幾何特性
6． 距離
7． 曲線長(zhǎng)度
8． 邊界的凹凸性
9． 邊界的復(fù)雜性
9．1．3\t邊界的統(tǒng)計(jì)矩描述
1． 統(tǒng)計(jì)矩
2． 邊界的曲率
9．1．4\t邊界的傅里葉描述子
9．1．5\t哈夫變換
1． 直線的Hough變換
2． Hough變換的推廣
9．2\t圖像的區(qū)域描述
9．2．1\t區(qū)域的幾何特性
1．\t面積
2．\t重心
9．2．2\t區(qū)域的形狀描述
1．\t矩形度
2．\t圓形度
9．2．3\t區(qū)域的紋理描述
1．\t紋理的自相關(guān)函數(shù)
2．\t灰度共生矩陣
3．\t共生矩陣的紋理特性
9．3\t圖像配準(zhǔn)
9．3．1\t圖像配準(zhǔn)基礎(chǔ)
1．\t圖像配準(zhǔn)的目的
2．\t圖像配準(zhǔn)的數(shù)學(xué)描述
3．\t圖像配準(zhǔn)的分類(lèi)
9．3．2\t基于灰度域的配準(zhǔn)
1．\t空間變換模型
2．\t相似性測(cè)度準(zhǔn)則
3．\t變換矩陣的尋優(yōu)
9．3．3\t基于變換域的配準(zhǔn)
1．\t相位相關(guān)法求平移參數(shù)
2．\t傅里葉-梅林變換求旋轉(zhuǎn)和縮放參數(shù)
9．3．4\t基于特征點(diǎn)的配準(zhǔn)
1．\t特征點(diǎn)配準(zhǔn)的步驟
2．\t角點(diǎn)檢測(cè)算法
9．3．5\t基于Hough變換的配準(zhǔn)
9．4\tSIFT配準(zhǔn)算法
9．4．1\tSIFT算法框架
1．\tSIFT配準(zhǔn)過(guò)程
2．\tSIFT算法優(yōu)點(diǎn)
3．\tSIFT特征提取
9．4．2\t初步定位特征點(diǎn)
1．\t高斯金字塔尺度空間
2．\t差分高斯尺度空間
3．\t極值點(diǎn)檢測(cè)
9．4．3\t精確定位特征點(diǎn)
1．\t極值點(diǎn)的精確定位
2．\t低對(duì)比度極值點(diǎn)去除
3．\t邊緣響應(yīng)點(diǎn)去除
9．4．4\t確定特征點(diǎn)主方向
9．4．5\tSIFT特征描述子
9．4．6\tSIFT特征點(diǎn)匹配
1．\t最近鄰匹配
2．\t最近鄰次近鄰匹配
9．4．7\tSURF特征描述子
1． 確定主方向
2． 形成描述子
第十章\t彩色圖像處理
10．1\t彩色空間表示
10．1．1\t色度學(xué)基礎(chǔ)
1．\t彩色的基本屬性
2．\t三基色原理
3．\t彩色視覺(jué)機(jī)理
10．1．2\t常見(jiàn)的彩色空間表示
1．\tCIE XYZ彩色空間
2．\tRGB彩色空間
3．\tHIS彩色空間
4．\tY/B-Y/R-Y彩色空間
5．\tCIE-L*a*b*彩色空間
6．\tCMY彩色空間
10．1．3\t彩色空間轉(zhuǎn)換
1．\tRGB到HIS彩色轉(zhuǎn)換
2．\tHIS到RGB彩色轉(zhuǎn)換
3．\tCIE-L*a*b*到CIE-XYZ彩色轉(zhuǎn)換
10．2\t基本彩色圖像處理
10．2．1\t彩色平衡
1．\t白平衡
2．\t彩色補(bǔ)償
10．2．2\t彩色圖像增強(qiáng)
1．\t彩色視覺(jué)特性考慮
2．\t彩色增強(qiáng)
3．\t去噪濾波
10．2．3\t彩色圖像分割
1．\t轉(zhuǎn)化為灰度圖像分割
2．\t基于直方圖閾值的分割
3．\t基于邊緣檢測(cè)的分割
4．\t基于區(qū)域生長(zhǎng)的分割
5．\t基于彩色聚類(lèi)的分割
10．3\t灰度圖像的偽彩色處理
10．3．1\t灰度域偽彩色處理
1．\t離散灰度的偽彩色變換
2．\t連續(xù)灰度的偽彩色變換
10．3．2\t頻率域偽彩色處理
10．4\t灰度圖像的彩色化
10．4．1\t基于距離的半自動(dòng)彩色化
1．\t距離變換
2．\t距離加權(quán)的彩色混合
3．\t彩色化一例
10．4．2\t基于彩色傳遞的自動(dòng)彩色化
第十一章\t形態(tài)學(xué)圖像處理
11．1\t數(shù)學(xué)形態(tài)學(xué)基礎(chǔ)
11．1．1\t基本集合定義
11．1．2\t 圖像空間的集合表示
11．1．3\t形態(tài)學(xué)運(yùn)算過(guò)程
1．\t集合之間的關(guān)系
2．\t結(jié)構(gòu)元素
11．2\t二值圖像形態(tài)學(xué)處理
11．2．1\t二值腐蝕和膨脹運(yùn)算
1．\t二值腐蝕
2．\t二值膨脹
3．\t二值腐蝕和膨脹的性質(zhì)
11．2．2\t 二值開(kāi)啟和閉合運(yùn)算
1．\t二值開(kāi)啟和閉合
2．\t二值開(kāi)啟和閉合的性質(zhì)
11．2．3\t 擊中/擊不中運(yùn)算
1．\t擊中/擊不中運(yùn)算步驟
2．\t擊中/擊不中運(yùn)算一例
11．3\t二值圖像形態(tài)學(xué)處理的應(yīng)用
11．3．1\t 細(xì)化與厚化處理
1．\t二值細(xì)化
2．\t二值厚化
11．3．2\t 濾波與去噪處理
1．\t二值濾波
2．\t二值去噪
11．3．3\t 邊緣提取與區(qū)域填充
1．\t二值邊緣提取
2．\t二值區(qū)域填充
11．4\t灰度圖像形態(tài)學(xué)處理
11．4．1\t 灰度腐蝕和膨脹運(yùn)算
1．\t灰度膨脹
2．\t灰度腐蝕
11．4．2\t 灰度開(kāi)啟和閉合運(yùn)算
1．\t灰度開(kāi)啟和閉合
2．\t灰度開(kāi)啟和閉合的應(yīng)用
第十二章\tPDE圖像處理
12．1\t偏微分方程基礎(chǔ)
12．1．1\t偏微分方程
1．\t偏微分方程定義
2．\t常見(jiàn)偏微分方程
3．\t初始條件與邊界條件
4．\t偏微分方程的解
5．\t偏微分方程的差分近似
12．1．2\t泛函和變分
1．\t泛函的定義
2．\t泛函的變分
3．\t泛函極值和歐拉方程
12．1．3\t全變分處理
12．1．4\t梯度下降流
1．\t梯度下降流方程
2．\t梯度下降流和擴(kuò)散方程
12．1．5\tPDE處理的特點(diǎn)
12．2\tPDE圖像去噪
12．2．1\t各向異性P-M模型
12．2．2\tTV模型去噪
1．\t變分法去噪
2．\tTikhonove模型
3．\t更一般的方法
12．3\tPDE圖像放大
12．3．1\t像放大的熱傳導(dǎo)方程
12．3．2\t差分計(jì)算
12．4\tPDE圖像分割
12．4．1\t參數(shù)活動(dòng)輪廓模型
1．\t能量方程
2．\t能量極小化過(guò)程
12．4．2\t幾何活動(dòng)輪廓模型
1． \tMumford-Shah模型
2． \tC-V模型
3． \t參數(shù)模型和幾何模型的比較
12．5\tPDE圖像修復(fù)
12．5．1\t圖像修復(fù)的要求
12．5．1\tTV模型修復(fù)
第十三章\t圖像超分辨率重建
13．1\t基于插值的重建
13．1．1\t圖像的空間分辨率
13．1．2\t 主要理論基礎(chǔ)
1． 信息疊加理論
2． 解析延拓理論
3． 非線性操作
13．1．3\t 分辨率下降模型
13．1．4\t 反問(wèn)題的正則化求解
1．\t正則化方法
2．\t正則化參數(shù)的影響
13．1．5\t 超分辨率重建的三類(lèi)方法
13．1．6\t 超分辨率重建的應(yīng)用
13．2\t基于插值的超分辨率方法
13．2．1\t 最近鄰插值
13．2．2\t 雙線性插值
13．2．3\t 雙立方插值
13．2．4\t 核回歸插值
1．\t一維核回歸
2．\t二維核回歸
3．\t自適應(yīng)核回歸
13．3\t基于重建的超分辨率方法
13．3．1\t凸集投影（POCS）方法
1．\tPOCS基本原理
2．\tPOCS的約束凸集
13．3．2\t最大后驗(yàn)概率（MAP）方法
1．\t最大后驗(yàn)概率估計(jì)
2．\t基于MAP的超分辨率重建
13．3．3\t迭代反向投影（IBP）方法
13．4\t基于學(xué)習(xí)的超分辨率方法
13．4．1\t 鄰域嵌入的方法
1．\t流形學(xué)習(xí)
2．\t建立訓(xùn)練集
3．\tNE重建
13．4．2\t 非局部濾波的方法
1．\t非局部相似性
2．\t非局部濾波處理
13．4．3\t 基于樣例的方法
1．\t建立訓(xùn)練集
2．\t插值圖像小塊的處理
3．\tMarkov網(wǎng)絡(luò)模型
13．4．4\t 基于稀疏表示的方法
1．\t稀疏表示和重建原理
2．\t稀疏重建的步驟
第十四章\tANN圖像處理
14．1\t人工神經(jīng)網(wǎng)絡(luò)
14．1．1\t人工神經(jīng)元
1． 從生物神經(jīng)元到人工神經(jīng)元
2． 激活函數(shù)
14．1．2\t人工神經(jīng)網(wǎng)絡(luò)
1． 感知機(jī)
2． 從感知機(jī)到神經(jīng)網(wǎng)絡(luò)
14．1．3\t神經(jīng)網(wǎng)絡(luò)的工作過(guò)程
1． 神經(jīng)網(wǎng)絡(luò)的類(lèi)型
2． 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式
3． 局部極值與全局極值
14．1．4\t常見(jiàn)神經(jīng)網(wǎng)絡(luò)
1． RBF網(wǎng)絡(luò)
2． ART網(wǎng)絡(luò)
3． SOM網(wǎng)絡(luò)
4． 級(jí)連相關(guān)網(wǎng)絡(luò)
5． Elma網(wǎng)絡(luò)
6． Boltzmann機(jī)
14．1．5\t神經(jīng)網(wǎng)絡(luò)的特點(diǎn)和應(yīng)用
1． 人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)
2． 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用
14．2\tBP網(wǎng)絡(luò)
14．2．1\tBP網(wǎng)絡(luò)的算法結(jié)構(gòu)
14．2．2\tBP網(wǎng)絡(luò)權(quán)值的迭代估計(jì)
14．2．3\tBP算法流程BP
14．2．4\tBP網(wǎng)絡(luò)的幾個(gè)問(wèn)題
14．3\t基于CNN的圖像處理
14．3．1\t深度學(xué)習(xí)網(wǎng)絡(luò)
14．3．2\t卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
1． CNN結(jié)構(gòu)
2． 局部連接
3． 權(quán)值共享
4． 結(jié)果池化
14．3．3\tCNN一例
14．3．4\t卷積層
14．3．5\t池化層
14．3．6\t全連接層
14．4\t基于GAN的圖像處理
14．4．1\t生成模型和判別模型
14．4．2\tGAN的基本原理
14．4．3\tGAN的工作過(guò)程
14．4．4\tGAN的學(xué)習(xí)方法
1． GAN的訓(xùn)練機(jī)制
2． GAN的全局最優(yōu)解和收斂性
14．4．5\tGAN的特點(diǎn)
14．4．6\tGAN的應(yīng)用
1． 圖像超分辨率
2． 圖像翻譯
3． 圖像生成
第十五章\t圖像壓縮感知
15．1\t壓縮感知基礎(chǔ)
15．1．1\t從傳統(tǒng)壓縮到感知壓縮
15．1．2\t 信號(hào)的稀疏表示
15．1．3\t 稀疏信號(hào)的測(cè)量
1．\t測(cè)量矩陣的要求
2．\t常見(jiàn)的測(cè)量矩陣
15．1．4\t 感知信號(hào)的重建
15．2\t從測(cè)量值重建原信號(hào)
15．2．1\t 信號(hào)重建的基本概念
1．\t矢量的范數(shù)
2．\t三維信號(hào)的CS重建
3．\t多維信號(hào)的CS重建
15．2．2\t 典型的重建算法
1．\t正交匹配追蹤算法
2．\t梯度投影算法
3．\t全變分重建算法
15．3\t視頻壓縮感知
15．3．1\t全感知和壓縮感知
15．3．2\t 視頻壓縮感知系統(tǒng)
15．3．3\t 分塊視頻壓縮感知
1．\t預(yù)處理
2．\tCS測(cè)量
3．\t量化和熵編碼
4．\tCS重建
5．\t運(yùn)動(dòng)估計(jì)和預(yù)測(cè)模式
6．\t圖像輸出