中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統關鍵技術
-
>
花樣百出:貴州少數民族圖案填色
-
>
山東教育出版社有限公司技術轉移與技術創新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區為中心
-
>
鐵路機車概要.交流傳動內燃.電力機車
-
>
利維坦的道德困境:早期現代政治哲學的問題與脈絡
買過本商品的人還買了
圖像復原優化算法 版權信息
- ISBN：9787118119244
- 條形碼：9787118119244 ; 978-7-118-11924-4
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
圖像復原優化算法 本書特色
《圖像復原優化算法》以作者為研究生開設的“反問題的計算方法”課程講義為基礎，對圖像復原算法的原理和基礎進行了較為深入的討論，力求使讀者從原理上掌握相關算法，并能用來解決實際問題。
《圖像復原優化算法》共分8章，主要包括：基于正則化的圖像復原算法、Bregman分裂算法及其應用、基于偏微分方程的圖像復原算法、變指數函數空間在圖像復原和增強中的應用、深度學習在圖像去雨、單目避障系統和圖像復原中的應用。
《圖像復原優化算法》可作為理工科各專業本科生和研究生學習圖像復原的教材，也適合對圖像復原算法感興趣的研究人員和工程技術人員閱讀。
圖像復原優化算法 內容簡介
本書包括: 分塊循環矩陣、分塊Toeplitz矩陣及其計算, 基于離散傅里葉變換的圖像復原算法, 基于全變差的圖像正則化復原算法, 基于偏微分方程的圖像去噪算法, Bregman分裂算法及其應用, 變指數泛函在圖像盲復原中的應用, 深度學習在圖像復原中的應用, 共軛梯度法、牛頓法、擬牛頓法、Bregman分裂算法等內容。
圖像復原優化算法 目錄
第1章 相關數學基礎
1．1 算子方程的病態性
1．2 *優化理論
1．3 泛函的變分、Euler-Lagrange方程和邊界條件
1．4 離散傅里葉變換與離散卷積
1．4．1 一維離散傅里葉變換
1．4．2 一維離散卷積
1．4．3 二維離散傅里葉變換
1．4．4 二維離散卷積
1．5 數值計算方法
1．5．1 *速下降法
1．5．2 牛頓法
1．5．3 共軛梯度法
第2章 分塊循環矩陣和分塊Toeplitz矩陣的計算
2．1 循環矩陣與一維離散傅里葉變換的關系
2．2 分塊循環矩陣與二維離散傅里葉變換的關系
第3章 兩種典型的圖像復原算法
3．1 基于傅里葉變換的圖像復原算法
3．2 基于共軛梯度法的圖像復原
3．3 預條件共軛梯度法和幾種預條件矩陣
3．3．1 分塊循環擴充預條件矩陣
3．3．2 Level 1分塊循環預條件矩陣
3．3．3 Level 2分塊循環預條件矩陣
第4章 基于全變差的圖像正則化復原算法
4．1 基于全變差的圖像正則化復原
4．1．1 函數全變差的定義
4．1．2 函數全變差的數值計算
4．2 原始-對偶牛頓法
第5章 Bregman分裂算法及其應用
5．1 Brown-nan迭代正則化算法
5．2 分裂Bregman算法
5．3 離散全變差正則化的Bregman分裂算法
5．4 基于Bregman分裂算法的各向異性圖像去噪模型
5．5 基于Bregman分裂迭代的Retinex算法
5．6 圖像盲復原模型
5．6．1 基于TV的盲復原模型
5．6．2 各向異性的圖像盲復原迭代算法
5．6．3 綜合吉洪諾夫（TiKi honov）正則化和全變差正則化的圖像盲復原
5．6．4 基于李普西茲（Lipschitz）空間正則化的圖像盲復原算法
第6章 基于偏微分方程的圖像復原算法
6．1 Rudin-Osher-Fatemi全變差復原模型
6．2 Perona-Malik復原模型
6．3 基于四階偏微分方程的復原模型
6．4 一種改進的Ambrosio-Tortorelli模型解法
6．4．1 AT模型方程、梯度下降法與牛頓法
6．4．2 離散格式
6．4．3 數值實驗與分析
第7章 變指數函數空間在圖像復原及增強中的應用
7．1 圖像復原與增強方法綜述
7．1．1 圖像復原問題及方法
7．1．2 圖像增強問題與方法
7．2 變指數函數空間中變分模型的數學基礎
7．2．1 變指數函數空間
7．2．2 算子理論
7．3 變指數函數空間中的圖像復原模型及其算法
7．3．1 流形上的變指數圖像復原模型
7．3．2 模型的數值分析及其求解
7．3．3 實驗結果
7．4 變指數函數空間中的盲復原模型及其算法
7．4．1 變指數正則化及變指數盲復原模型
7．4．2 模型求解與數值實驗結果
7．5 變指數函數空間中的圖像增強方法
7．5．1 變指數Retinex圖像增強模型的建立
7．5．2 模型解的存在性及其求解
7．5．3 數值實驗
第8章 深度學習在圖像處理中的應用實例
8．1 深度學習
8．1．1 深度學習發展簡史
8．1．2 神經網絡原理
8．1．3 卷積神經網絡原理
8．1．4 生成對抗網絡原理
8．2 基于深度卷積網絡的單目避障系統設計
8．2．1 避障系統整體框架
8．2．2 避障系統各模塊分析
8．2．3 實驗結果
8．3 卷積神經網絡在圖像復原模型的應用
8．4 生成對抗網絡在圖像去雨中的應用
8．4．1 常見的圖像去雨方法
8．4．2 基于生成對抗網絡的圖像去雨方法
8．4．3 實驗結果
參考文獻
1．1 算子方程的病態性
1．2 *優化理論
1．3 泛函的變分、Euler-Lagrange方程和邊界條件
1．4 離散傅里葉變換與離散卷積
1．4．1 一維離散傅里葉變換
1．4．2 一維離散卷積
1．4．3 二維離散傅里葉變換
1．4．4 二維離散卷積
1．5 數值計算方法
1．5．1 *速下降法
1．5．2 牛頓法
1．5．3 共軛梯度法
第2章 分塊循環矩陣和分塊Toeplitz矩陣的計算
2．1 循環矩陣與一維離散傅里葉變換的關系
2．2 分塊循環矩陣與二維離散傅里葉變換的關系
第3章 兩種典型的圖像復原算法
3．1 基于傅里葉變換的圖像復原算法
3．2 基于共軛梯度法的圖像復原
3．3 預條件共軛梯度法和幾種預條件矩陣
3．3．1 分塊循環擴充預條件矩陣
3．3．2 Level 1分塊循環預條件矩陣
3．3．3 Level 2分塊循環預條件矩陣
第4章 基于全變差的圖像正則化復原算法
4．1 基于全變差的圖像正則化復原
4．1．1 函數全變差的定義
4．1．2 函數全變差的數值計算
4．2 原始-對偶牛頓法
第5章 Bregman分裂算法及其應用
5．1 Brown-nan迭代正則化算法
5．2 分裂Bregman算法
5．3 離散全變差正則化的Bregman分裂算法
5．4 基于Bregman分裂算法的各向異性圖像去噪模型
5．5 基于Bregman分裂迭代的Retinex算法
5．6 圖像盲復原模型
5．6．1 基于TV的盲復原模型
5．6．2 各向異性的圖像盲復原迭代算法
5．6．3 綜合吉洪諾夫（TiKi honov）正則化和全變差正則化的圖像盲復原
5．6．4 基于李普西茲（Lipschitz）空間正則化的圖像盲復原算法
第6章 基于偏微分方程的圖像復原算法
6．1 Rudin-Osher-Fatemi全變差復原模型
6．2 Perona-Malik復原模型
6．3 基于四階偏微分方程的復原模型
6．4 一種改進的Ambrosio-Tortorelli模型解法
6．4．1 AT模型方程、梯度下降法與牛頓法
6．4．2 離散格式
6．4．3 數值實驗與分析
第7章 變指數函數空間在圖像復原及增強中的應用
7．1 圖像復原與增強方法綜述
7．1．1 圖像復原問題及方法
7．1．2 圖像增強問題與方法
7．2 變指數函數空間中變分模型的數學基礎
7．2．1 變指數函數空間
7．2．2 算子理論
7．3 變指數函數空間中的圖像復原模型及其算法
7．3．1 流形上的變指數圖像復原模型
7．3．2 模型的數值分析及其求解
7．3．3 實驗結果
7．4 變指數函數空間中的盲復原模型及其算法
7．4．1 變指數正則化及變指數盲復原模型
7．4．2 模型求解與數值實驗結果
7．5 變指數函數空間中的圖像增強方法
7．5．1 變指數Retinex圖像增強模型的建立
7．5．2 模型解的存在性及其求解
7．5．3 數值實驗
第8章 深度學習在圖像處理中的應用實例
8．1 深度學習
8．1．1 深度學習發展簡史
8．1．2 神經網絡原理
8．1．3 卷積神經網絡原理
8．1．4 生成對抗網絡原理
8．2 基于深度卷積網絡的單目避障系統設計
8．2．1 避障系統整體框架
8．2．2 避障系統各模塊分析
8．2．3 實驗結果
8．3 卷積神經網絡在圖像復原模型的應用
8．4 生成對抗網絡在圖像去雨中的應用
8．4．1 常見的圖像去雨方法
8．4．2 基于生成對抗網絡的圖像去雨方法
8．4．3 實驗結果
參考文獻
展開全部
圖像復原優化算法 作者簡介
張彬，男，博士，教授，現在中國傳媒大學理工學部工作，本科和碩士就讀于陜西師范大學數學系，博士就讀于西安電子科技大學。 于欣妍，女，博士，講師，現在中國傳媒大學理工學部工作，本科和碩士就讀于山東大學數學系，博士就讀于北京交通大學，現在國外訪學。 豆澤陽，男，博士生，中國傳媒大學計算數學專業碩士，現在北京理工大學光電學院攻讀博士學位。
書友推薦
- >
朝聞道
- >
史學評論
- >
羅曼·羅蘭讀書隨筆-精裝
- >
伊索寓言-世界文學名著典藏-全譯本
- >
巴金－再思錄
- >
李白與唐代文化
- >
自卑與超越
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
本類暢銷
