图像复原技术是数字图像处理领域的重要研究方向之一，它涉及信号处理、数学建模、优化算法等多个学科领域的交叉融合。通过研究图像复原技术，可以深入探究图像的本质特征和规律，为图像处理领域的其他研究提供基础和支撑。该技术的应用已经扩展到了人们生活的各个领域，包括遥感侦测成像、医学的CT和MRI、智能交通监控、HDTV、机器视觉及数字文化遗产的保护和修复等。本书的研究对象是面向单幅图像超分辨率重建和单幅图像去噪这两大任务的图像复原技术。本书共7章，分别从正则化模型解决方案到深度学习模型解决方案阐述了作者多年来在图像复原技术中的主要研究成果，介绍了这些解决方案背后的研究思想、模型及实验分析结果。具体来讲，本书涉及面向单幅图像超分辨率重建的稀疏表示模型、非局部Laplacian先验、非局部自相似性先验和低秩先验的理论研究，以及基于深度学习理论的UNet模型在图像去噪领域的理论研究，这些理论研究有效缓解了图像复原这一逆问题的病态性。 本书可供计算机科学与技术相关专业的本科生、研究生阅读，也可作为高校和科研院所相关专业教学和科研人员的参考用书。

第1章 绪论
1.1 图像复原技术的研究背景及意义
1.2 图像复原技术的数学模型
1.3 图像复原技术之图像分辨率重建的研究现状
1.4 图像复原技术之图像去噪的研究现状
1.5 图像复原技术之质量评指标
1.6 本书的主要贡献
1.7 本书的结构组织安排
1.8 本章小结
第2章 正则化稀疏表示的单幅图像分辨率重建方法
2.1 相关工作分析
2.1.1 传统稀疏表示模型的理论基础
2.1.2 PCA字典构造
2.1.3 的迭代收敛解法
2.1.4 图像固有的行和列先验
2.2 双稀疏正则化稀疏表示模型
2.2.1 联合列与行先验的稀疏表示模型
2.2.2 字典选择
2.3 模型的化求解
2.4 基于双稀疏正则化稀疏表示模型的重建方法
2.5 实验结果与分析
2.5.1 实验环境及参数的设置
2.5.2 无噪声实验
2.5.3 噪声实验
2.5.4 算法参数的研究
2.5.5 行非局自相似性正则项的有效性
2.5.6 算法的时间复杂度与收敛性能
2.6 本章小结
第3章 稀疏表示联合低秩约束的单幅图像分辨率重建方法
3.1 相关工作分析
3.2 基于低秩约束和非局自相似性稀疏表示模型
3.2.1 低秩约束和非局自相似性
3.2.2 字典选择
3.3 模型的化求解
3.4 基于低秩约束和非局自相似性稀疏表示模型的重建方法
3.5 实验结果与分析
3.5.1 实验环境及参数的设置
3.5.2 无噪声实验
3.5.3 噪声实验
3.5.4 算法参数的研究
3.5.5 低秩约束正则项的有效性
3.5.6 算法的收敛性能
3.5.7 算法复杂度分析
3.6 本章小结
第4章 基于图像成分的单幅图像分辨率重建方法
4.1 相关工作分析
4.1.1 传统的联合字典训练的数学形式
4.1.2 有效的稀疏编码算法
4.1.3 局的可作核回归
4.2 基于全局非零梯度惩罚和非局Laplacian稀疏表示模型
4.2.1 全局非零梯度惩罚模型重建HR边缘成分图像
4.2.2 非局Laplacian稀疏表示模型重建HR纹理细节成分图像
4.2.3 全局和局化模型提高重建的初始图像的质量
4.3 基于全局非零梯度惩罚和非局Laplacian稀疏表示模型的重建方法
4.4 实验结果与分析
4.4.1 实验配置
4.4.2 无噪声实验
4.4.3 噪声实验
4.4.4 算法复杂度分析
4.5 本章小结
第5章 基于广义非局自相似性正则化稀疏表示的单幅图像分辨率重建方法
5.1 相关工作分析
5.1.1 基于稀疏表示的图像重建框架
5.1.2 列和行非局自相似性先验
5.2 自适应lg-范数约束的广义非局自相似性稀疏表示模型
5.2.1 稀疏表示系数噪声的分布
5.2.2 自适应lg-范数约束的广义非局自相似性正则项
5.3 模型的化求解
5.3.1 lg-范数问题
5.3.2 lg-范数问题
5.4 基于自适应lg-范数约束的广义非局自相似性稀疏表示模型的重建算法
5.5 实验结果与讨论
5.5.1 参数设置
5.5.2 关键参数研究
5.5.3 自适应lg-范数约束的广义非局自相似性正则项的有效性
5.5.4 噪声图像实验
5.6 本章小结
第6章 基于行非局几何字典的单幅图像分辨率重建
6.1 相关工作分析
6.1.1 基于稀疏表示的单幅图像分辨率重建
6.1.2 行局自相似性与列非局自相似性
6.2 基于行非局几何字典的稀疏表示模型
6.3 图像分辨率重建框架
6.3.1 联合式行非局几何字典训练
6.3.2 重建图像
6.3.3 非局正则化模型化图像
6.3.4 图像重建算法
6.4 实验结果与分析
6.4.1 实验配置
6.4.2 参数配置
6.4.3 行非局几何字典的相关性分析
6.4.4 与现有方法的对比
6.4.5 耗时比较
6.5 本章小结
第7章 基于UNet的图像去噪
7.1 相关工作分析
7.1.1 图像去噪相关工作
7.1.2 UNet相关工作
7.2 基于征块合并提炼器嵌入UNet的图像去噪方法
7.2.1 征块合并提炼器下采样模块
7.2.2 征块合并模块
7.2.3 子空间基向量学及投影
7.2.4 GC块模块
7.3 基于征块合并提炼器嵌入UNet的图像去噪模型
7.4 损失函数
7.5 实验结果与分析
7.5.1 训练数据集和测试数据集
7.5.2 实验细节
7.5.3 合成高斯噪声实验
7.5.4 真实噪声实验
7.5.5 消融实验及讨论
7.6 本章小结
参考文献