掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
圖像復(fù)原技術(shù) 版權(quán)信息
- ISBN：9787030652867
- 條形碼：9787030652867 ; 978-7-03-065286-7
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
圖像復(fù)原技術(shù) 本書特色
系統(tǒng)地介紹了湍流退化圖像復(fù)原的相關(guān)理論、技術(shù)和方法。
圖像復(fù)原技術(shù) 內(nèi)容簡介
本書主要針對航天應(yīng)用中的湍流退化圖像的去噪聲、去模糊、去偏移和畸變校正等，系統(tǒng)地介紹了湍流退化圖像復(fù)原的相關(guān)理論、技術(shù)和方法。本書分為5篇13章。篇介紹了湍流效應(yīng)的成因、概念及退化圖像復(fù)原的基本思路。第二篇介紹了基于低秩矩陣和稀疏正則化的圖像盲復(fù)原等多種湍流退化圖像盲復(fù)原新方法。第三篇介紹了基于圖像稀疏先驗和機器學習的圖像復(fù)原方法等多種智能化的退化圖像復(fù)原方法和視頻序列圖像復(fù)原方法。第四篇介紹了湍流退化圖像的去模糊、去振鈴、抖動穩(wěn)像和畸變校正等圖像復(fù)原新方法。第五篇介紹了圖像復(fù)原性能驗證與復(fù)原圖像質(zhì)量評價。本書內(nèi)容理論與實踐并重，針對性與系統(tǒng)性較強，具有重要的理論意義和應(yīng)用參考價值。
圖像復(fù)原技術(shù) 目錄
目錄
前言
**篇 湍流效應(yīng)及退化圖像復(fù)原
第1章 湍流退化圖像復(fù)原方法綜述 3
1.1 湍流效應(yīng)的成因和內(nèi)涵 3
1.2 圖像退化模型 5
1.2.1 模糊降質(zhì)模型 5
1.2.2 畸變失真模型 5
1.3 退化圖像復(fù)原方法的分類 6
1.3.1 圖像去模糊 6
1.3.2 圖像偏移校正 8
1.4 單幅退化圖像復(fù)原方法 10
1.4.1 正則化處理方法 10
1.4.2 確定正則化圖像復(fù)原方法 10
1.4.3 隨機正則化圖像復(fù)原方法 12
1.4.4 基于局部相似性的圖像復(fù)原方法 12
1.4.5 基于示例學習的圖像復(fù)原方法 13
1.5 視頻序列圖像的復(fù)原方法 14
1.5.1 視頻復(fù)原的特征 15
1.5.2 三維解卷積與幾種視頻復(fù)原方法 16
1.6 圖像復(fù)原的難點 18
1.6.1 視覺認知計算與圖像復(fù)原 18
1.6.2 圖像理解與圖像復(fù)原 18
1.7 本章小結(jié) 19
第二篇 圖像盲復(fù)原方法
第2章 基于PSF估計的自適應(yīng)盲復(fù)原方法 23
2.1 基于冗余提升NSWT的PSF估計 23
2.1.1 大氣湍流PSF辨識基礎(chǔ) 23
2.1.2 常見PSF類型 25
2.1.3 已有PSF的估計方法 26
2.1.4 冗余提升NSWT的實現(xiàn) 28
2.1.5 基于冗余提升NSWT的PSF估計算法 30
2.2 基于PSF估計的自適應(yīng)維納濾波盲復(fù)原方法 33
2.2.1 維納濾波 33
2.2.2 基于PSF估計的*小二乘曲線擬合維納濾波復(fù)原方法 34
2.2.3 圖像復(fù)原評價方法 37
2.2.4 實驗與分析 38
2.3 基于PSF估計的自適應(yīng)增量迭代維納濾波 42
2.3.1 增量迭代維納濾波原理 43
2.3.2 基于步長迭代控制的自適應(yīng)增量維納濾波算法 44
2.3.3 實驗與分析 45
2.4 本章小結(jié) 48
第3章 基于稀疏多正則化的湍流圖像盲復(fù)原方法 49
3.1 正則化復(fù)原與振鈴效應(yīng) 50
3.1.1 正則化復(fù)原 50
3.1.2 振鈴效應(yīng) 52
3.2 基于稀疏多正則約束的盲復(fù)原 53
3.2.1 空間目標圖像的退化特點 53
3.2.2 多正則約束的復(fù)原模型 55
3.2.3 模型的優(yōu)化求解 56
3.2.4 振鈴抑制的非盲解卷積 61
3.2.5 實驗與分析 61
3.3 本章小結(jié) 67
第4章 基于低秩矩陣和稀疏正則化的圖像盲復(fù)原方法 68
4.1 噪聲對核估計的影響和低秩稀疏分解模型 68
4.1.1 噪聲對核估計的影響 69
4.1.2 低秩稀疏分解模型 70
4.2 結(jié)合非局部相似聚類和低秩矩陣的稀疏正則化盲解卷積 71
4.2.1 非局部相似塊結(jié)構(gòu)組的低秩恢復(fù) 72
4.2.2 結(jié)合低秩矩陣和稀疏正則化的模型 73
4.2.3 模型的優(yōu)化求解 74
4.2.4 非盲解卷積 76
4.2.5 實驗與分析 76
4.3 本章小結(jié) 83
第5章 基于回歸映射的圖像盲復(fù)原方法 84
5.1 退化模型的學習訓(xùn)練和*小二乘支持向量回歸 84
5.1.1 退化模型的學習訓(xùn)練 84
5.1.2 *小二乘支持向量回歸 85
5.2 基于果蠅優(yōu)化的LSSVR圖像復(fù)原方法 85
5.2.1 LSSVR模型參數(shù)優(yōu)化 86
5.2.2 回歸映射的復(fù)原流程 87
5.2.3 實驗與分析 88
5.3 湍流序列圖像的快速去模糊 92
5.3.1 成像條件分析 92
5.3.2 基于峰度的模型更新 93
5.3.3 實驗與分析 94
5.4 本章小結(jié) 96
第三篇 基于視覺認知的退化圖像復(fù)原方法
第6章 基于圖像稀疏先驗信息和機器學習的圖像復(fù)原方法 99
6.1 圖像的統(tǒng)計特性 99
6.1.1 自相似性和尺度不變性 99
6.1.2 非高斯性 100
6.1.3 邊緣主導(dǎo)特性和高維奇異性 100
6.2 基于有效邊緣先驗估計的圖像復(fù)原方法 100
6.2.1 圖像復(fù)原的MAP估計方法 101
6.2.2 PSF估計的有效邊緣映射圖 101
6.2.3 基于ISD的PSF改良 103
6.2.4 快速的TV-L1解卷積 105
6.2.5 實驗與分析 107
6.3 基于圖像塊相似性和稀疏先驗信息的圖像復(fù)原方法 109
6.3.1 圖像的稀疏先驗?zāi)Ｐ?109
6.3.2 從塊相似性到圖像復(fù)原 110
6.3.3 EPLL與幾種基于學習的復(fù)原框架比較 110
6.3.4 EPLL的框架和優(yōu)化 111
6.3.5 EPLL框架下的稀疏先驗復(fù)原 112
6.3.6 實驗與分析 113
6.4 本章小結(jié) 115
第7章 基于視覺認知和字典學習的圖像復(fù)原方法 116
7.1 視覺認知與圖像表征 116
7.1.1 HVS的層次結(jié)構(gòu)與計算機視覺的處理機制 116
7.1.2 HVS的選擇注意機制與相關(guān)模型 117
7.1.3 圖像與圖像變換的視覺建模 118
7.1.4 基于人眼視覺特性的圖像表征方法 119
7.2 基于視覺認知特性的全局圖像復(fù)原方法 119
7.2.1 人眼視覺對比敏感度的機理 120
7.2.2 基于視覺對比敏感度與恰可察覺失真感知的圖像復(fù)原方法 120
7.2.3 實驗與分析 126
7.3 基于字典學習和局部分塊相似性的圖像復(fù)原方法 127
7.3.1 圖像塊的稀疏分解與字典學習 127
7.3.2 對典型字典學習圖像復(fù)原方法的分析和改進 128
7.3.3 基于字典對聯(lián)合學習的退化圖像復(fù)原方法 129
7.3.4 實驗與分析 133
7.4 本章小結(jié) 135
第8章 基于視覺認知的視頻序列圖像復(fù)原方法 136
8.1 圖像幾何校正、圖像配準和運動補償 136
8.1.1 圖像的幾何校正 136
8.1.2 圖像配準 137
8.1.3 運動補償 138
8.2 基于增廣拉格朗日的快速視頻復(fù)原方法 138
8.2.1 時空TV的拉格朗日視頻復(fù)原方法的框架和思想 139
8.2.2 增廣拉格朗日視頻復(fù)原方法的參數(shù)選擇 141
8.2.3 實驗與分析 142
8.3 基于非凸勢函數(shù)優(yōu)化與動態(tài)自適應(yīng)濾波的退化視頻復(fù)原方法 144
8.3.1 湍流退化視頻的相關(guān)工作 145
8.3.2 圖像復(fù)原的非凸優(yōu)化框架及算法 147
8.3.3 動態(tài)自適應(yīng)濾波的視頻復(fù)原方法 150
8.3.4 實驗與分析 152
8.4 本章小結(jié) 153
第四篇 湍流退化圖像的去模糊、去振鈴、抖動穩(wěn)像和畸變校正
第9章 面向特定退化類型的空間變化模糊圖像復(fù)原方法 157
9.1 圖像模糊退化的常見類型 157
9.1.1 運動模糊 157
9.1.2 離焦模糊 158
9.1.3 高斯模糊 159
9.2 基于透明性的目標運動模糊圖像復(fù)原方法 160
9.2.1 目標運動模糊分析 161
9.2.2 目標的二維運動去模糊方法 166
9.2.3 實驗與分析 166
9.3 基于光流約束和光譜蒙板的空間運動模糊圖像復(fù)原方法 168
9.3.1 運動模糊約束條件 170
9.3.2 空間變化運動模型與改進的模糊圖像復(fù)原方法 173
9.3.3 實驗與分析 176
9.4 基于模糊映射圖的空間變化離焦模糊圖像復(fù)原方法 178
9.4.1 圖像的離焦模型 179
9.4.2 模糊映射圖的生成方法 180
9.4.3 利用L1-2優(yōu)化的圖像復(fù)原方法 180
9.4.4 圖像重構(gòu)與尺度選擇 182
9.4.5 實驗與分析 182
9.5 本章小結(jié) 183
第10章 基于邊緣分離的去振鈴圖像復(fù)原方法 185
10.1 圖像盲復(fù)原方法與振鈴效應(yīng) 185
10.1.1 圖像盲復(fù)原方法 185
10.1.2 振鈴效應(yīng)抑制及評價 186
10.2 基于邊緣分離的去振鈴復(fù)原算法 188
10.2.1 算法描述 188
10.2.2 實驗與分析 191
10.3 本章小結(jié) 200
第11章 湍流退化圖像偏移的畸變校正 201
11.1 湍流像素偏移與圖像非剛性配準 201
11.1.1 湍流像素偏移分析 202
11.1.2 圖像非剛性配準 204
11.2 基于仿射變換和B樣條非剛性配準的偏移像素校正 205
11.2.1 像素偏移模型 205
11.2.2 配準流程分析 205
11.2.3 模型的優(yōu)化求解 208
11.2.4 實驗與分析 210
11.3 本章小結(jié) 215
第12章 湍流退化序列的抖動穩(wěn)像和運動檢測 216
12.1 序列的退化模型和序列中的運動檢測 216
12.1.1 序列的退化模型 216
12.1.2 序列中的運動檢測 217
12.2 基于低秩稀疏分解的湍流序列穩(wěn)像和復(fù)原 218
12.2.1 湍流序列的低秩稀疏分解 218
12.2.2 模型的優(yōu)化求解 219
12.2.3 序列圖像復(fù)原 220
12.2.4 實驗與分析 221
12.3 湍流退化視頻的運動目標檢測 225
12.3.1 自適應(yīng)閾值的稀疏目標提取 226
12.3.2 高斯模型的前景提取 226
12.3.3 檢測區(qū)域的融合判定 227
12.3.4 實驗與分析 228
12.4 本章小結(jié) 231
第五篇 圖像復(fù)原性能驗證與圖像質(zhì)量評價
第13章 圖像復(fù)原性能驗證與圖像質(zhì)量的智能評價 235
13.1 視覺認知的過程和特性 235
13.1.1 視網(wǎng)膜的信息認知過程 236
13.1.2 視覺認知的生理學特性 236
13.1.3 視覺認知的心理學特性 237
13.2 基于HVS的仿生學圖像質(zhì)量評價框架 240
13.2.1 無參考型圖像質(zhì)量評價方法 240
13.2.2 基于誤差可見度的仿生學圖像質(zhì)量評價框架 241
13.3 基于生物視覺標準模型的無參考型圖像質(zhì)量評價 242
13.3.1 生物視覺ST模型 243
13.3.2 *小二乘支持向量機回歸算法 243
13.3.3 實驗與分析 245
13.4 本章小結(jié) 249
參考文獻 250
前言
**篇 湍流效應(yīng)及退化圖像復(fù)原
第1章 湍流退化圖像復(fù)原方法綜述 3
1.1 湍流效應(yīng)的成因和內(nèi)涵 3
1.2 圖像退化模型 5
1.2.1 模糊降質(zhì)模型 5
1.2.2 畸變失真模型 5
1.3 退化圖像復(fù)原方法的分類 6
1.3.1 圖像去模糊 6
1.3.2 圖像偏移校正 8
1.4 單幅退化圖像復(fù)原方法 10
1.4.1 正則化處理方法 10
1.4.2 確定正則化圖像復(fù)原方法 10
1.4.3 隨機正則化圖像復(fù)原方法 12
1.4.4 基于局部相似性的圖像復(fù)原方法 12
1.4.5 基于示例學習的圖像復(fù)原方法 13
1.5 視頻序列圖像的復(fù)原方法 14
1.5.1 視頻復(fù)原的特征 15
1.5.2 三維解卷積與幾種視頻復(fù)原方法 16
1.6 圖像復(fù)原的難點 18
1.6.1 視覺認知計算與圖像復(fù)原 18
1.6.2 圖像理解與圖像復(fù)原 18
1.7 本章小結(jié) 19
第二篇 圖像盲復(fù)原方法
第2章 基于PSF估計的自適應(yīng)盲復(fù)原方法 23
2.1 基于冗余提升NSWT的PSF估計 23
2.1.1 大氣湍流PSF辨識基礎(chǔ) 23
2.1.2 常見PSF類型 25
2.1.3 已有PSF的估計方法 26
2.1.4 冗余提升NSWT的實現(xiàn) 28
2.1.5 基于冗余提升NSWT的PSF估計算法 30
2.2 基于PSF估計的自適應(yīng)維納濾波盲復(fù)原方法 33
2.2.1 維納濾波 33
2.2.2 基于PSF估計的*小二乘曲線擬合維納濾波復(fù)原方法 34
2.2.3 圖像復(fù)原評價方法 37
2.2.4 實驗與分析 38
2.3 基于PSF估計的自適應(yīng)增量迭代維納濾波 42
2.3.1 增量迭代維納濾波原理 43
2.3.2 基于步長迭代控制的自適應(yīng)增量維納濾波算法 44
2.3.3 實驗與分析 45
2.4 本章小結(jié) 48
第3章 基于稀疏多正則化的湍流圖像盲復(fù)原方法 49
3.1 正則化復(fù)原與振鈴效應(yīng) 50
3.1.1 正則化復(fù)原 50
3.1.2 振鈴效應(yīng) 52
3.2 基于稀疏多正則約束的盲復(fù)原 53
3.2.1 空間目標圖像的退化特點 53
3.2.2 多正則約束的復(fù)原模型 55
3.2.3 模型的優(yōu)化求解 56
3.2.4 振鈴抑制的非盲解卷積 61
3.2.5 實驗與分析 61
3.3 本章小結(jié) 67
第4章 基于低秩矩陣和稀疏正則化的圖像盲復(fù)原方法 68
4.1 噪聲對核估計的影響和低秩稀疏分解模型 68
4.1.1 噪聲對核估計的影響 69
4.1.2 低秩稀疏分解模型 70
4.2 結(jié)合非局部相似聚類和低秩矩陣的稀疏正則化盲解卷積 71
4.2.1 非局部相似塊結(jié)構(gòu)組的低秩恢復(fù) 72
4.2.2 結(jié)合低秩矩陣和稀疏正則化的模型 73
4.2.3 模型的優(yōu)化求解 74
4.2.4 非盲解卷積 76
4.2.5 實驗與分析 76
4.3 本章小結(jié) 83
第5章 基于回歸映射的圖像盲復(fù)原方法 84
5.1 退化模型的學習訓(xùn)練和*小二乘支持向量回歸 84
5.1.1 退化模型的學習訓(xùn)練 84
5.1.2 *小二乘支持向量回歸 85
5.2 基于果蠅優(yōu)化的LSSVR圖像復(fù)原方法 85
5.2.1 LSSVR模型參數(shù)優(yōu)化 86
5.2.2 回歸映射的復(fù)原流程 87
5.2.3 實驗與分析 88
5.3 湍流序列圖像的快速去模糊 92
5.3.1 成像條件分析 92
5.3.2 基于峰度的模型更新 93
5.3.3 實驗與分析 94
5.4 本章小結(jié) 96
第三篇 基于視覺認知的退化圖像復(fù)原方法
第6章 基于圖像稀疏先驗信息和機器學習的圖像復(fù)原方法 99
6.1 圖像的統(tǒng)計特性 99
6.1.1 自相似性和尺度不變性 99
6.1.2 非高斯性 100
6.1.3 邊緣主導(dǎo)特性和高維奇異性 100
6.2 基于有效邊緣先驗估計的圖像復(fù)原方法 100
6.2.1 圖像復(fù)原的MAP估計方法 101
6.2.2 PSF估計的有效邊緣映射圖 101
6.2.3 基于ISD的PSF改良 103
6.2.4 快速的TV-L1解卷積 105
6.2.5 實驗與分析 107
6.3 基于圖像塊相似性和稀疏先驗信息的圖像復(fù)原方法 109
6.3.1 圖像的稀疏先驗?zāi)Ｐ?109
6.3.2 從塊相似性到圖像復(fù)原 110
6.3.3 EPLL與幾種基于學習的復(fù)原框架比較 110
6.3.4 EPLL的框架和優(yōu)化 111
6.3.5 EPLL框架下的稀疏先驗復(fù)原 112
6.3.6 實驗與分析 113
6.4 本章小結(jié) 115
第7章 基于視覺認知和字典學習的圖像復(fù)原方法 116
7.1 視覺認知與圖像表征 116
7.1.1 HVS的層次結(jié)構(gòu)與計算機視覺的處理機制 116
7.1.2 HVS的選擇注意機制與相關(guān)模型 117
7.1.3 圖像與圖像變換的視覺建模 118
7.1.4 基于人眼視覺特性的圖像表征方法 119
7.2 基于視覺認知特性的全局圖像復(fù)原方法 119
7.2.1 人眼視覺對比敏感度的機理 120
7.2.2 基于視覺對比敏感度與恰可察覺失真感知的圖像復(fù)原方法 120
7.2.3 實驗與分析 126
7.3 基于字典學習和局部分塊相似性的圖像復(fù)原方法 127
7.3.1 圖像塊的稀疏分解與字典學習 127
7.3.2 對典型字典學習圖像復(fù)原方法的分析和改進 128
7.3.3 基于字典對聯(lián)合學習的退化圖像復(fù)原方法 129
7.3.4 實驗與分析 133
7.4 本章小結(jié) 135
第8章 基于視覺認知的視頻序列圖像復(fù)原方法 136
8.1 圖像幾何校正、圖像配準和運動補償 136
8.1.1 圖像的幾何校正 136
8.1.2 圖像配準 137
8.1.3 運動補償 138
8.2 基于增廣拉格朗日的快速視頻復(fù)原方法 138
8.2.1 時空TV的拉格朗日視頻復(fù)原方法的框架和思想 139
8.2.2 增廣拉格朗日視頻復(fù)原方法的參數(shù)選擇 141
8.2.3 實驗與分析 142
8.3 基于非凸勢函數(shù)優(yōu)化與動態(tài)自適應(yīng)濾波的退化視頻復(fù)原方法 144
8.3.1 湍流退化視頻的相關(guān)工作 145
8.3.2 圖像復(fù)原的非凸優(yōu)化框架及算法 147
8.3.3 動態(tài)自適應(yīng)濾波的視頻復(fù)原方法 150
8.3.4 實驗與分析 152
8.4 本章小結(jié) 153
第四篇 湍流退化圖像的去模糊、去振鈴、抖動穩(wěn)像和畸變校正
第9章 面向特定退化類型的空間變化模糊圖像復(fù)原方法 157
9.1 圖像模糊退化的常見類型 157
9.1.1 運動模糊 157
9.1.2 離焦模糊 158
9.1.3 高斯模糊 159
9.2 基于透明性的目標運動模糊圖像復(fù)原方法 160
9.2.1 目標運動模糊分析 161
9.2.2 目標的二維運動去模糊方法 166
9.2.3 實驗與分析 166
9.3 基于光流約束和光譜蒙板的空間運動模糊圖像復(fù)原方法 168
9.3.1 運動模糊約束條件 170
9.3.2 空間變化運動模型與改進的模糊圖像復(fù)原方法 173
9.3.3 實驗與分析 176
9.4 基于模糊映射圖的空間變化離焦模糊圖像復(fù)原方法 178
9.4.1 圖像的離焦模型 179
9.4.2 模糊映射圖的生成方法 180
9.4.3 利用L1-2優(yōu)化的圖像復(fù)原方法 180
9.4.4 圖像重構(gòu)與尺度選擇 182
9.4.5 實驗與分析 182
9.5 本章小結(jié) 183
第10章 基于邊緣分離的去振鈴圖像復(fù)原方法 185
10.1 圖像盲復(fù)原方法與振鈴效應(yīng) 185
10.1.1 圖像盲復(fù)原方法 185
10.1.2 振鈴效應(yīng)抑制及評價 186
10.2 基于邊緣分離的去振鈴復(fù)原算法 188
10.2.1 算法描述 188
10.2.2 實驗與分析 191
10.3 本章小結(jié) 200
第11章 湍流退化圖像偏移的畸變校正 201
11.1 湍流像素偏移與圖像非剛性配準 201
11.1.1 湍流像素偏移分析 202
11.1.2 圖像非剛性配準 204
11.2 基于仿射變換和B樣條非剛性配準的偏移像素校正 205
11.2.1 像素偏移模型 205
11.2.2 配準流程分析 205
11.2.3 模型的優(yōu)化求解 208
11.2.4 實驗與分析 210
11.3 本章小結(jié) 215
第12章 湍流退化序列的抖動穩(wěn)像和運動檢測 216
12.1 序列的退化模型和序列中的運動檢測 216
12.1.1 序列的退化模型 216
12.1.2 序列中的運動檢測 217
12.2 基于低秩稀疏分解的湍流序列穩(wěn)像和復(fù)原 218
12.2.1 湍流序列的低秩稀疏分解 218
12.2.2 模型的優(yōu)化求解 219
12.2.3 序列圖像復(fù)原 220
12.2.4 實驗與分析 221
12.3 湍流退化視頻的運動目標檢測 225
12.3.1 自適應(yīng)閾值的稀疏目標提取 226
12.3.2 高斯模型的前景提取 226
12.3.3 檢測區(qū)域的融合判定 227
12.3.4 實驗與分析 228
12.4 本章小結(jié) 231
第五篇 圖像復(fù)原性能驗證與圖像質(zhì)量評價
第13章 圖像復(fù)原性能驗證與圖像質(zhì)量的智能評價 235
13.1 視覺認知的過程和特性 235
13.1.1 視網(wǎng)膜的信息認知過程 236
13.1.2 視覺認知的生理學特性 236
13.1.3 視覺認知的心理學特性 237
13.2 基于HVS的仿生學圖像質(zhì)量評價框架 240
13.2.1 無參考型圖像質(zhì)量評價方法 240
13.2.2 基于誤差可見度的仿生學圖像質(zhì)量評價框架 241
13.3 基于生物視覺標準模型的無參考型圖像質(zhì)量評價 242
13.3.1 生物視覺ST模型 243
13.3.2 *小二乘支持向量機回歸算法 243
13.3.3 實驗與分析 245
13.4 本章小結(jié) 249
參考文獻 250
展開全部
圖像復(fù)原技術(shù) 作者簡介
李俊山，男，1956年1月出生，博士，教授，2016年9月起到廣東外語外貿(mào)大學南國商學院任教，是廣東外語外貿(mào)大學南國商學院科協(xié)副主席、智能信息處理研究所所長、工科（計算機與信息）門類學科帶頭人。 主要社會兼職：中國圖象圖形學學會理事、《光學精密工程》和《液晶與顯示》等期刊編委。曾任教育部高等學校大學計算機課程教學指導(dǎo)委員會委員、中國計算機學會第九屆至第十一屆理事會理事、陜西省計算機學會副理事長、陜西省計算機教育學會副理事長。 主要學術(shù)成就：獲國防科學技術(shù)獎和軍隊科技進步獎23項，其中二等獎4項。發(fā)表學術(shù)與教學論文400余篇，其中SCI和EI檢索80余篇。作為負責人建設(shè)國家級精品課程1門、國家級精品資源共享課1門、軍隊級優(yōu)質(zhì)課程和軍隊級精品網(wǎng)絡(luò)課程2門；獲省部級優(yōu)秀教學成果獎和優(yōu)秀教材獎一等獎5項。作為第一作者出版專著、譯著和教材15部，代表作有《紅外圖像處理、分析與融合》《基于特征的紅外圖像目標匹配與跟蹤技術(shù)》《三維視景仿真可視化建模技術(shù)》《數(shù)字圖像處理（第3版）》《數(shù)據(jù)庫原理及應(yīng)用（SQL Server）（第4版）》。 李俊山教授2016年4月前是原中國人民解放軍第二炮兵工程大學（現(xiàn)為中國人民解放軍火箭軍工程大學）博士生導(dǎo)師，原第二炮兵信號圖像處理專業(yè)方向?qū)棇＜遥败婈犜盒Ｓ弄劇苯皙劔@得者，軍隊級優(yōu)秀碩士學位論文導(dǎo)師，原第二炮兵科技工作先進個人和優(yōu)秀教員，兩次榮立個人三等功。
書友推薦
- >
月亮與六便士
- >
詩經(jīng)-先民的歌唱
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術(shù)叢書(紅燭學術(shù)叢書)
- >
唐代進士錄
- >
回憶愛瑪儂
- >
我從未如此眷戀人間
- >
莉莉和章魚
- >
有舍有得是人生
本類暢銷
