數(shù)字圖像預(yù)處理技術(shù)研究

目錄
前言
第1章 緒論 1
1.1 研究背景及意義 1
1.2 數(shù)字圖像與數(shù)字圖像預(yù)處理概述 3
1.2.1 數(shù)字圖像的概念 3
1.2.2 數(shù)字圖像處理的概念及特點(diǎn) 4
1.2.3 數(shù)字圖像預(yù)處理研究范疇與方法 8
1.3 國內(nèi)外研究現(xiàn)狀 37
1.3.1 圖像去噪技術(shù) 38
1.3.2 圖像增強(qiáng)技術(shù) 40
1.3.3 圖像融合技術(shù) 41
1.3.4 圖像復(fù)原技術(shù) 42
1.4 數(shù)字圖像預(yù)處理技術(shù)應(yīng)用領(lǐng)域 44
1.4.1 航天和航空方面 44
1.4.2 生物醫(yī)學(xué)工程方面 45
1.4.3 工業(yè)和工程方面 45
1.4.4 軍事公安方面 45
1.4.5 文化藝術(shù)方面 45
1.4.6 機(jī)器視覺 45
1.4.7 視頻和多媒體系統(tǒng) 46
1.4.8 電子商務(wù) 46
1.5 本書的課題來源及組織結(jié)構(gòu) 46
1.5.1 本書的課題來源 46
1.5.2 本書主要內(nèi)容 46
1.6 本章小結(jié) 48
第2章 基于小波域旋轉(zhuǎn)奇異值分解的圖像去噪算法 49
2.1 概述 49
2.2 小波變換和奇異值分解的方向特性 50
2.2.1 小波變換及其方向特性 50
2.2.2 奇異值分解及其方向特性 52
2.3 基于小波域旋轉(zhuǎn)奇異值分解與邊緣保留的圖像去噪算法 60
2.3.1 高頻子圖奇異值分解濾波 60
2.3.2 去噪重構(gòu)奇異值個數(shù)的確定 61
2.3.3 高頻子圖像多方向邊緣提取 62
2.3.4 算法流程 62
2.3.5 實驗仿真 63
2.4 本章小結(jié) 70
第3章 基于小波域奇異值差值的圖像去噪算法 72
3.1 概述 72
3.2 基于小波域奇異值差值建模的圖像去噪算法 73
3.2.1 奇異值差值特點(diǎn) 73
3.2.2 算法流程 76
3.2.3 奇異值差值建模 77
3.2.4 確定去噪奇異值 81
3.2.5 實驗仿真 81
3.3 本章小結(jié) 93
第4章 基于分塊旋轉(zhuǎn)奇異值分解的圖像去噪算法 95
4.1 概述 95
4.2 圖像分塊旋轉(zhuǎn)SVD去噪 96
4.3 基于自適應(yīng)分塊旋轉(zhuǎn)的奇異值分解圖像去噪算法 96
4.3.1 自適應(yīng)分塊SVD 96
4.3.2 去噪重構(gòu)奇異值個數(shù)的確定 98
4.3.3 算法流程 101
4.3.4 實驗仿真 101
4.4 本章小結(jié) 105
第5章 基于人工魚群與粒子群優(yōu)化的圖像增強(qiáng)算法 106
5.1 概述 106
5.2 圖像非線性增強(qiáng) 107
5.3 人工魚群算法及粒子群優(yōu)化算法 108
5.3.1 人工魚群算法 108
5.3.2 粒子群優(yōu)化算法 113
5.4 基于人工魚群與粒子群優(yōu)化混合的圖像自適應(yīng)增強(qiáng)算法 116
5.4.1 人工魚群及粒子群優(yōu)化算法各自的缺陷 116
5.4.2 人工魚群與粒子群優(yōu)化混合增強(qiáng)算法 117
5.4.3 實驗仿真 118
5.5 本章小結(jié) 120
第6章 基于突變粒子群優(yōu)化的圖像增強(qiáng)算法 121
6.1 概述 121
6.2 基于突變粒子群優(yōu)化算法的圖像自適應(yīng)增強(qiáng)算法 121
6.2.1 基本粒子群優(yōu)化算法 121
6.2.2 突變粒子群優(yōu)化算法 123
6.2.3 算法流程 124
6.2.4 實驗仿真 125
6.3 本章小結(jié) 126
第7章 基于小波變換方向區(qū)域特征的圖像融合算法 127
7.1 概述 127
7.2 小波變換圖像融合缺陷 128
7.2.1 普通的低頻空間頻率融合缺陷 128
7.2.2 單一的高頻能量或梯度融合缺陷 130
7.3 基于小波變換方向區(qū)域能量與梯度的圖像融合算法 132
7.3.1 低頻融合規(guī)則 133
7.3.2 高頻融合規(guī)則 133
7.3.3 實驗仿真 135
7.4 本章小結(jié) 139
第8章 基于刃邊函數(shù)和維納濾波的模糊圖像復(fù)原算法 140
8.1 概述 140
8.2 點(diǎn)擴(kuò)散函數(shù)估計 140
8.3 基于刃邊函數(shù)和最優(yōu)窗維納濾波的運(yùn)動模糊圖像復(fù)原算法 147
8.3.1 最優(yōu)窗維納濾波 147
8.3.2 點(diǎn)擴(kuò)散函數(shù)的確定 149
8.3.3 算法流程 151
8.3.4 實驗仿真 152
8.4 本章小結(jié) 155
第9章 基于分塊奇異值的圖像復(fù)原去噪算法 156
9.1 概述 156
9.2 基于奇異值分解的點(diǎn)擴(kuò)散函數(shù)估計 157
9.3 基于分塊奇異值導(dǎo)數(shù)的圖像復(fù)原去噪算法 159
9.3.1 奇異值重構(gòu)階數(shù)選取 160
9.3.2 實驗仿真 160
9.4 本章小結(jié) 163
第10章 總結(jié)與展望 165
10.1 本書總結(jié) 165
10.2 研究展望 166
參考文獻(xiàn) 168