圖像數(shù)據(jù)先驗的數(shù)學建模及其應(yīng)用

目錄
叢書序
推薦序 I
推薦序 II
導(dǎo)師序
摘要
Abstract
第 1 章 緒論1
1.1 研究背景1
1.2 相關(guān)研究現(xiàn)狀 5
1.2.1 高維數(shù)據(jù)的稀疏性建模 5
1.2.2 顏色與方向不變的彩色圖像非局部自相似性建模10
1.2.3 低劑量 CT 弦圖噪聲建模12
1.2.4 基于物理機制的深度高光譜融合 15
1.2.5 基于領(lǐng)域知識的眼底病灶檢測 17
1.3 本書的主要內(nèi)容19
第 2 章 一種新型高階稀疏性度量及在張量處理問題中的應(yīng)用 24
2.1 引言.24
2.2 符號定義和背景知識 27
2.3 CP 分解與 Tucker 分解 28
2.4 高階稀疏性度量32
2.5 KBR 高階稀疏性度量35
2.5.1 KBR 稀疏正則最小二乘問題 36
2.5.2 KBR 稀疏正則的張量填充問題41
2.5.3 KBR 稀疏正則的張量穩(wěn)健主成分分析.44
2.5.4 KBR 稀疏正則最小二乘在高光譜圖像去噪問題中的應(yīng)用 48
2.6 實驗結(jié)果 51
2.6.1 高光譜圖像去噪實驗 51
2.6.2 基于 KBR-TC 的高光譜圖像填充實驗 55
2.6.3 基于 KBR-RPCA 的視頻背景建模實驗59
2.6.4 折中參數(shù)的分析 61
2.7 小結(jié).62
第 3 章 顏色與方向不變圖像非局部自相似性建模
及其應(yīng)用64
3.1 引言.64
3.2 符號定義和背景知識.69
3.3 顏色與方向不變非局部自相似性建模69
3.3.1 方向敏感圖像塊表示 70
3.3.2 顏色敏感圖像塊表示 78
3.4 基于顏色與方向不變非局部自相似性的彩色圖像去噪模型78
3.4.1 彩色圖像去噪的最大后驗?zāi)Ｐ?78
3.4.2 EM 算法80
3.5 實驗結(jié)果 87
3.5.1 仿真彩色圖像去噪實驗87
3.5.2 真實彩色圖像去噪實驗89
3.6 小結(jié).91
第 4 章 基于生成機制的低劑量 CT 弦圖去噪92
4.1 引言.92
4.2 符號定義和背景知識 96
4.3 模型框架 97
4.3.1 投影數(shù)據(jù)的生成模型 98
4.3.2 弦圖先驗?zāi)Ｐ?00
4.3.3 最大后驗估計102
4.3.4 模型討論 103
4.4 ADMM 算法104
4.5 實驗結(jié)果108
4.5.1 對比方法 108
4.5.2 數(shù)字影像數(shù)據(jù)實驗109
4.5.3 仿真體模數(shù)據(jù)實驗112
4.5.4 臨床豬心數(shù)據(jù)研究119
4.6 小結(jié)121
第 5 章 物理機制嵌入的深度高光譜融合網(wǎng)絡(luò) 122
5.1 引言122
5.2 方法框架129
5.2.1 模型框架 129
5.2.2 模型優(yōu)化 133
5.2.3 MHF-net 的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計134
5.3 一致高光譜融合網(wǎng)絡(luò) 139
5.4 盲高光譜融合網(wǎng)絡(luò) 141
5.5 實驗結(jié)果145
5.5.1 模型驗證 145
5.5.2 響應(yīng)系數(shù)一致數(shù)據(jù)上的對比實驗153
5.5.3 響應(yīng)系數(shù)非一致數(shù)據(jù)上的對比實驗158
5.6 小結(jié)165
第 6 章 領(lǐng)域知識嵌入的深度眼底病灶檢測網(wǎng)絡(luò)167
6.1 引言167
6.2 EM-net 的基本框架 171
6.2.1 模型框架 171
6.2.2 模型求解 175
6.2.3 網(wǎng)絡(luò)設(shè)計 177
6.2.4 網(wǎng)絡(luò)訓(xùn)練 180
6.3 實驗結(jié)果181
6.3.1 IDRiD 數(shù)據(jù)上的實驗 182
6.3.2 DDR 數(shù)據(jù)集上的實驗183
6.3.3 與 IDRiD 挑戰(zhàn)榜對比184
6.3.4 解釋性驗證185
6.4 小結(jié)187
第 7 章 結(jié)論與展望188
7.1 結(jié)論188
7.2 展望190
附錄193
附錄 A 理論結(jié)果證明 193
附錄 B 深度網(wǎng)絡(luò)設(shè)計細節(jié) 204
參考文獻 215
攻讀博士學位期間的科研成果235
致謝 238
叢書跋 241