图像去噪方法研究基于迭代优化与深度学习方法

第1章 绪论 1.1 背景及意义 1.1.1 成像技术 1.1.2 图像噪声来源分析 1.1.3 图像去噪研究意义 1.2 相关研究现状 1.2.1 图像估噪研究现状 1.2.2 单帧图像去噪研究现状 1.2.3 多帧图像去噪研究现状 1.3 本书研究的内容与贡献 1.4 本书的组织结构 第2章 基于深度残差神经网络的逐像素图像噪声水平估计 2.1 引言 2.2 方法 2.2.1 估噪问题的形式化 2.2.2 网络结构 2.2.3 损失函数 2.2.4 模型训练 2.3 实验 2.3.1 实验设置 2.3.2 在模拟均匀噪声上的对比 2.3.3 在模拟非均匀噪声上的对比 2.3.4 在真实图像上的可视结果 2.3.5 将逐像素估噪用于深度学习去噪 2.3.6 运行时问对比 2.4 小结 第3章 基于交替方向乘子法的联合去马赛克去噪 3.1 引言 3.2 方法 3.2.1 问题形式化建模 3.2.2 先验设计 3.2.3 模型求解 3.3 实验 3.3.1 实验设置 3.3.3 模拟噪声去马赛克去噪的定量对比 3.3.4 模拟噪声去马赛克去噪的定性对比 3.3.5 真实Raw图去马赛克毒噪的定性对比 3.3.6 运行时间对比 3.4 小结 第4章 基于深度神经网络的单帧图像去噪 4.1 引言 4.2 基于深度神经网络的Raw图联合去马赛克去噪 4.2.1 问题形式化建模 4.2.2 网络结构 4.2.3 模型训练 4.2.4 联合去马赛克去噪实验 4.2.5 网络结构的敏感性分析 4.2.6 运行时间对比 4.3 基于深度神经网络的RGB图像去噪 4.3.1 问题形式化建模 4.3.2 网络结构 4.3.3 模型训练 4.3.4 模拟噪声非盲去噪实验 4.3.5 模拟噪声盲去噪实验 4 4小结 第5章 基于深度神经网络的多帧图像去噪 5.1 引言 5.2 基于深度神经网络的多帧RGB图像去噪 5.2.1 问题形式化建模 5.2.2 网络设计 5.2.3 生成训练数据 5.2.4 实现与训练细节 5.2.5 实验 5.3 基于深度神经网络的多帧Raw图联合去马赛克去噪 5.3.1 问题形式化建模 5.3.2 网络设计 5.3.3 模型训练 5.3.4 实验 5.4 小结 第6章 总结与展望 6.1 总结 6.2 展望 参考文献