范琳伟，博士，山东财经大学计算机科学与技术学院副教授、硕士生导师、学院科学研究办公室主任，山东省高等学校青创科技计划团队带头人。主要研究领域为机器视觉、图像处理等。主持国家自然科学基金项目1项、山东省自然科学基金项目1项、山东省高等学校青创科技计划1项，并参与国家自然科学基金重点项目和省级重点研发计划多项。发表SCI/EI学术论文30余篇，论文被引用500余次；授权发明专利5项。主讲计算机图形图像基础、图形图像综合实践等本科生与研究生课程。现主持教育部产学合作协同育人项目1项，参与山东省本科教学改革研究重点项目、教育部产学合作协同育人项目等3项。指导大学生竞赛获国赛一等奖、二等奖各1项。

图像复原去噪是从退化或损坏的图像中恢复原始图像的过程，该技术在医学成像、卫星成像、监控系统、遥感影像等多个领域有广泛的应用。本书研究图像复原去噪技术，基于多种图像块先验学习模型开展工作，分12章阐述主要研究成果。本书的重点是图像建模的复原去噪，将图像建模为符合某些先验分布的随机变量，学习自然图像的统计特征，然后利用最大后验估计重构退化图像。其中，图像先验是求解不适定图像复原问题的关键，早期的图像先验设计主要考虑图像的整体物理特征进行手工设计。近年来，研究人员的研究重点转向从图像块的角度去构建图像先验，基于图像块先验特征提升图像复原性能。图像复原去噪研究的问题作为典型的不适定数学逆问题，对推动问题驱动的数学理论和方法的研究起到重要作用，同时对促进数学与计算机科学、人工智能等领域的交叉融合及协同发展起到积极作用。 本书的编写突出科学性和实用性，可为数字图像处理研究人员、计算机视觉研究人员及数字媒体终端技术研究人员提供参考。

第1章 绪论 1
1．1 研究背景及意义 1
1．2 研究现状及发展趋势 3
1．2．1 空间域方法 3
1．2．2 变换域方法 7
1．3 存在的问题 8
1．4 本书主要工作和创新点 9
1．5 本书内容安排 12
第2章 图像去噪的理论基础 15
2．1 图像处理中常见的噪声 15
2．1．1 加性噪声 15
2．1．2 乘性噪声 16
2．2 图像质量评价标准 17
2．2．1 主观评价 17
2．2．2 客观评价 18
2．3 图像的方法噪声 19
2．4 本章小结 20
第3章 经典图像去噪方法 21
3．1 非局部均值图像去噪方法 21
3．1．1 非局部均值去噪理论 21
3．1．2 非局部均值去噪方法研究现状 22
3．2 基于先验信息的正则化去噪方法 23
3．2．1 最大后验概率估计 24
3．2．2 不同形式的正则化去噪方法 24
3．3 本章小结 29
第4章 基于边缘相似度的自适应两阶段非局部均值去噪方法 30
4．1 概述 30
4．2 两阶段非局部均值去噪框架 31
4．2．1 去噪过程 32
4．2．2 图像块相似性度量 33
4．2．3 抗噪的差分算子 35
4．2．4 自适应参数选择方案 37
4．3 实验结果与分析 39
4．3．1 搜索窗口的设置 39
4．3．2 去噪结果对比 40
4．4 本章小结 45
第5章 基于梯度直方图和非局部自相似先验的自适应纹理保持去噪方法 46
5．1 概述 46
5．2 自适应的纹理保持去噪框架 49
5．2．1 满足超拉普拉斯分布的梯度直方图匹配先验 50
5．2．2 非局部自相似（NSS）先验 50
5．2．3 内容自适应的参数选择 51
5．3 求解去噪模型 53
5．3．1 x-子问题 53
5．3．2 s-子问题 54
5．3．3 迭代直方图匹配算法 54
5．3．4 更新参数q和δ 55
5．4 实验结果与分析 56
5．4．1 参数设置 56
5．4．2 与正则化去噪模型的比较 56
5．4．3 与最新去噪方法的比较 61
5．4．4 梯度保持性能 63
5．4．5 运行时间 64
5．5 本章小结 65
第6章 基于SVD能量分布估计的低秩近似去噪方法 66
6．1 概述 66
6．2 基于SVD域的低秩近似去噪方法回顾――LRA-SVD方法 67
6．3 基于能量分布估计的低秩去噪方法的问题描述 68
6．3．1 边缘信息辅助的图像块匹配 68
6．3．2 真实信号能量分布估计 69
6．3．3 噪声方差约束的低秩矩阵近似 71
6．3．4 加权组合 72
6．3．5 迭代增强步骤 72
6．4 实验结果与分析 74
6．4．1 参数设置 74
6．4．2 与代表性的方法比较 74
6．4．3 与最新的去噪方法比较 78
6．4．4 运行时间 80
6．5 本章小结 81
第7章 基于自适应增强方法的低秩去噪方法 82
7．1 概述 82
7．2 迭代增强技术的研究现状 83
7．3 自适应增强的低秩去噪方法 84
7．3．1 自适应增强的去噪框架 85
7．3．2 最优解分析 85
7．3．3 收敛性分析 88
7．3．4 自适应的相似图像块搜索方案 89
7．3．5 迭代停止准则 90
7．4 实验结果与分析 93
7．4．1 参数设置 93
7．4．2 去噪结果 93
7．5 本章小结 98
第8章 基于结构信息提取的低秩图像去噪方法 100
8．1 概述 100
8．2 核维纳滤波 101
8．3 基于结构信息提取的低秩图像去噪方法 101
8．3．1 结构提取模型 102
8．3．2 相似图像块分组 103
8．3．3 基于低秩近似和核维纳滤波的SEM最优去噪模型 104
8．3．4 优化算法 105
8．4 实验结果与分析 108
8．4．1 参数设置 108
8．4．2 去噪结果 110
8．4．3 运行时间 117
8．5 本章小结 118
第9章 基于稀疏表示与奇异值分解的图像细节保护去噪方法 119
9．1 概述 119
9．2 基于稀疏表示的去噪模型 120
9．3 图像细节保护的去噪方法 122
9．3．1 图像低频信息恢复 122
9．3．2 图像高频信息恢复 123
9．3．3 图像高频成分和低频成分的聚合 130
9．4 实验结果与分析 132
9．4．1 去噪性能比较 132
9．4．2 运行时间比较 136
9．5 本章小结 137
第10章 基于增强低秩先验的两阶段图像去噪方法 138
10．1 概述 138
10．2 两阶段增强低秩先验模型去噪方法 139
10．2．1 第1阶段：轮廓恢复 139
10．2．2 第2阶段：细节恢复 141
10．3 实验结果与分析 148
10．3．1 参数设置 149
10．3．2 TSLR方法分析 150
10．3．3 与非深度学习方法的实验结果比较 151
10．3．4 与深度学习方法的实验结果比较 159
10．4 本章小结 161
第11章 基于四元数组稀疏的彩色图像去噪方法 162
11．1 概述 162
11．2 彩色图像四元数分析 163
11．2．1 四元数奇异值分解 163
11．2．2 离散四元数傅里叶变换 163
11．3 彩色图像去噪方法 164
11．3．1 建立图像块组 164
11．3．2 四元数组稀疏模型 165
11．3．3 结合组稀疏与核维纳滤波的四元数去噪模型 166
11．4 实验结果 167
11．5 本章小结 169
第12章 总结与展望 170
12．1 总结 170
12．2 展望 172
参考文献 174