声明
摘要
第1章绪论
1.1研究背景及意义
1.2研究现状及发展趋势
1.2.1空间域方法
1.2.2变换域方法
1.3存在的问题
1.4本文主要工作和创新点
1.5本文的内容安排
第2章图像去噪的理论基础
2.1图像处理中常见的噪声
2.1.1加性噪声
2.1.2乘性噪声
2.2图像质量评价标准
2.2.1主观评价
2.2.2客观评价
2.3图像的方法噪声
2.4本章小结
第3章经典图像去噪算法
3.1非局部均值图像去噪方法
3.1.1非局部均值图像去噪理论
3.1.2非局部均值图像去噪方法研究现状
3.2基于图像先验的正则化去噪模型
3.2.1最大后验概率估计
3.2.2不同形式的正则化去噪方法
3.3本章小结
第4章基于边缘相似度的自适应两阶段非局部均值去噪
4.1概述
4.2基于边缘相似度的自适应两阶段非局部均值去噪
4.2.1去噪过程
4.2.2块相似性度量
4.2.3抗噪的差分算子
4.2.4 自适应参数选择方案
4.3实验结果与分析
4.3.1搜索窗口S的设置
4.3.2去噪结果
4.4本章小结
第5章基于梯度直方图和非局部自相似先验的白适应纹理保持去噪方法
5.1概述
5.2.自适应的纹理保持去噪框架
5.2.1满足超拉普拉斯分布的梯度直方图匹配先验
5.2.2非局部自相似性(NSS)先验
5.2.3内容自适应的参数选择
5.3求解去噪模型
5.3.1 x-子问题
5.3.2 s-子问题
5.3.3迭代直方图匹配算法
5.4实验结果与分析
5.4.1 参数设置
5.4.2与正则化去噪模型的比较
5.4.3与最新去噪算法的比较
5.4.4梯度保持性能
5.4.5运行时间
5.5本章小结
第6章基于SVD能量分布估计的低秩近似去噪方法
6.1概述
6.2基于SVD域内的低秩近似去噪方法回顾—LRA-SVD方法
6.3基于能量分布估计的低秩去噪方法的问题描述
6.3.1边缘信息辅助的块匹配
6.3.2真实信号能量分布估计
6.3.3噪声方差约束的低秩矩阵近似
6.3.4加权组合
6.3.5迭代增强步骤
6.4实验结果与分析
6.4.1参数设置
6.4.2与代表性的方法比较
6.4.3与最新的去噪算法比较
6.4.4运行时间
6.5本章小结
7.1概述
7.2现有迭代增强技术的回顾
7.3基于白适应增强方法的低秩去噪
7.3.1 自适应增强的去噪框架
7.3.2最优解分析
7.3.3收敛性分析
7.3.4自适应的相似块搜索方案
7.3.5迭代停止准则
7.4实验结果与分析
7.4.1参数设置
7.4.2去噪结果
7.5本章小结
8.1总结
8.2展望
参考文献
致谢
攻读学位期间发表的学术论文目录
攻读学位期间参与科研项目情况
外文论文
学位论文评阅及答辩情况表