稀疏表示理论及其在图像处理中的应用
| 作者 |
| 徐冰心 |
| 丛书名 |
| 出版社 |
| 电子工业出版社 |
| ISBN |
| 9787121365263 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 图像信号本质上可以看作是关于一组基向量的稀疏表示，而稀疏表示是获得、表示和压缩图像信号的一种强有力的工具。从稀疏约束的角度来划分，可以将稀疏表示分为五类，分别为（1）基于*小化L0范数的稀疏表示，（2）基于*小化Lp（0＜p＜1）范数的稀疏表示，（3）基于*小化L1范数的稀疏表示，（4）基于*小化L2,1范数的稀疏表示，也交组稀疏表示和5）基于*小化L2范数的稀疏表示。在本书中，全面分析了每一种稀疏表示形式的目标函数和优化算法，并综合分析了*的基于稀疏表示理论的应用。本书可以作为研究稀疏表示和图像处理方面的工具书，包括了详尽的理论介绍和多方面的实际应用，全面分析了稀疏表示理论中的两个关键问题，即字典学习和正则化方法，同时，全面介绍了稀疏表示在图像处理，图像分类和追踪，图像复原等实际应用中的*方法。 |
| 目录 |
第1章 引言\t7 1.1 背景与意义\t7 1.2 线性表示\t7 1.3 欠定线性表示\t8 1.4 正则化技术\t8 1.4.1 不适定问题\t8 1.4.2 正则化技术的引入\t9 1.4.3 正则化参数\t10 1.5 稀疏线性表示\t10 1.6 本书的内容和结构安排\t11 参考文献\t12 第2章 稀疏表示理论\t13 2.1 压缩感知\t13 2.2 稀疏表示\t14 2.2.1 问题描述\t14 2.2.2 稀疏信号的重构\t15 2.2.2 稀疏表示形式\t16 2.2.3 向量的稀疏性与l1范数\t21 2.3 本章小结\t23 参考文献\t23 第3章 稀疏表示优化算法——贪心算法\t25 3.1 匹配追踪算法\t26 3.2 正交匹配追踪算法\t28 参考文献\t29 第4章 稀疏表示优化算法——约束优化\t31 4.1 梯度投影算法\t31 4.2 内点法\t35 4.3 交替方向法\t39 参考文献\t41 第5章 稀疏表示中的字典学习\t43 5.1 字典学习的数学描述\t43 5.2 无监督字典学习\t45 5.2.1 最优方向算法（Method of Optimal Directions，MOD）\t45 5.2.2 K-SVD\t46 5.2.3在线字典学习\t48 5.2.4带有约束条件的无监督字典学习算法\t49 5.3 有监督字典学习\t50 5.4 本章小结\t50 参考文献\t50 第6章 稀疏表示在图像分类中的应用\t52 6.1 线性表示分类方法\t53 6.2稀疏表示分类\t54 6.2.1问题描述\t55 6.2.2分类准则\t57 6.3稀疏表示分类的关键问题\t58 6.3.1 面向分类问题的字典学习\t58 6.3.2 正则化项\t64 6.3.3正则化参数的选择\t65 6.4本章小结\t66 参考文献\t66 第7章 自适应正则化参数学习\t72 7.1正则化参数的重要性\t72 7.2正则化参数与测试样本的关系\t75 7.3基于重构误差的自适应参数学习算法\t77 7.4实验与分析\t80 7.4.1 EYB 数据集\t82 7.4.2 AR数据集\t84 7.4.3 性能分析\t85 7.4.4分析讨论\t86 7.5本章小结\t87 参考文献\t87 第8章 结合聚类分析的有监督字典学习\t89 8.1 特征提取\t90 8.1.1 SIFT特征提取\t90 8.1.2 特征编码\t91 8.2 构造字典\t93 8.2.1 基于k-means的无监督字典学习\t93 8.2.2基于仿射传播聚类的有监督学习\t94 8.2.3基于Fisher判别准则的学习\t95 8.3 实验与分析\t97 8.3.1十五类场景数据集\t98 8.3.2 CalTech101数据集\t99 8.4 本章小结\t101 参考文献\t101 第9章 基于核空间的加权组稀疏表示\t104 9.1 组稀疏表示分类\t105 9.2 核方法理论\t105 9.3基于核的加权组稀疏表示分类\t107 9.3.1基于核函数的特征变换方法\t107 9.3.2自适应的字典选择\t108 9.3.3加权组稀疏分类算法\t109 9.4 实验与分析\t111 9.4.1实验数据\t111 9.4.2 对比方法\t114 9.4.3 实验结果\t114 9.5 本章小结\t116 参考文献\t116 第10章 重叠子字典的稀疏表示分类方法\t118 10.1 引言\t118 10.2基于重叠子字典的稀疏表示方法\t120 10.2.1重叠子字典的构造\t121 10.2.2测试样本与子字典的关系\t123 10.2.3基于重叠子字典的稀疏表示分类\t125 10.3实验与分析\t127 10.3.1实验数据\t127 10.3.2实验结果\t127 10.4本章小结\t129 参考文献\t130 第11章 稀疏表示在图像复原中的应用\t132 11.1 图像复原问题\t132 11.2 基于KSVD的图像去噪\t133 11.2.1用于图像去噪的稀疏模型构建\t133 11.2.2 字典学习和模型优化\t134 11.2.3 基于KSVD的图像去噪算法\t135 11.2.4 实验结果\t136 11.3 BM3D图像去噪方法\t138 11.3.1 相关概念\t138 11.3.2 BM3D 图像去噪算法框架\t143 11.3.3 BM3D 图像去噪算法实现流程\t143 11.3.4 实验结果\t148 11.4 基于混合矩阵正态分布的复原方法与稀疏模型的关系\t149 11.4.1相关概念\t150 11.4.2基于混合矩阵正态分布的图像复原算法\t153 11.4.3实验结果和讨论\t160 11.5本章小结\t168 参考文献\t168 第12章 稀疏表示与深度学习\t173 12.1 基于深度神经网络的特征学习\t173 12.2 自动编码器\t175 12.3 稀疏自动编码器\t177 12.4 深度字典学习方法\t178 12.5 本章小结\t179 参考文献\t180 |
有问题微信扫码联系