第一章 图像的基础知识 1
1.1 图像信号的基本概念 1
1.1.1 图像的表示 1
1.1.2 图像的数字化过程 2
1.1.3 数字图像的基本类型 7
1.1.4 颜色模式 8
1.1.5 图像分辨率 15
1.2 人眼的视觉原理 16
1.2.1 人眼结构 16
1.2.2 相对视敏度 18
1.2.3 明暗视觉 19
1.2.4 对比灵敏度 19
1.2.5 可见度阈值和马赫带效应 20
1.3 图像质量的评估标准与方法 20
参考文献 23
第二章 常用图像增强技术介绍 25
2.1 图像增强概述 25
2.2 空域图像增强 25
2.2.1 灰度变换 25
2.2.2 直方图均衡 28
2.2.3 空域滤波 29
2.3 频域图像增强 30
2.3.1 频域低通滤波器 30
2.3.2 频域高通滤波器 31
2.4 图像客观评价算法 31
2.4.1 人眼视觉系统 31
2.4.2 归一化灰度差 32
2.4.3 归一化对比度 32
2.4.4 归一化信息熵 32
2.4.5 视频图像质量客观评价函数 33
2.5 本章小结 33
参考文献 33
第三章 图像插值技术 34
3.1 图像插值放大原理 34
3.2 传统图像插值算法及原理 35
3.3 基于边缘的图像插值算法 38
3.4 实验结果与分析 47
3.5 本章小结 51
参考文献 52
第四章 超分辨率技术综述 53
4.1 超分辨率的含义及应用 54
4.2 超分辨率技术的分类 55
4.3 成像模型 56
4.4 基于重建的超分辨率 57
4.4.1 频域算法 58
4.4.2 空域算法 58
4.5 基于学习的超分辨率 60
4.5.1 最大后验概率（MAP）框架下的基于学习的超分辨率理论 61
4.5.2 基于学习的超分辨率算法的类别 63
4.6 本章小结 65
参考文献 66
第五章 基于多分辨率塔式结构的人脸图像超分辨率技术 68
5.1 基于学习的人脸超分辨率系统 68
5.2 幻觉脸技术的复原框架 69
5.3 图像金字塔模型 70
5.4 多分辨率塔式结构算法 73
5.4.1 人脸高斯金字塔 74
5.4.2 人脸拉普拉斯金字塔 74
5.4.3 人脸特征金字塔 74
5.4.4 多分辨率塔式结构算法总结 76
5.5 匹配复原过程 76
5.5.1 塔状父结构 77
5.5.2 搜索匹配过程 78
5.6 算法描述 79
5.7 基于学习的超分辨率图像的集成优化 80
5.7.1 超分辨率复原的贝叶斯框架 80
5.7.2 单目标优化算法 81
5.8 实验结果与分析 84
5.8.1 多分辨率塔式结构算法实验结果与分析 84
5.8.2 集成优化实验结果与分析 86
5.9 本章小结 87
参考文献 88
第六章 基于Contourlet变换的人脸图像超分辨率研究 89
6.1 Contourlet变换的基本理论 90
6.1.1 方向滤波器组 90
6.1.2 Contourlet变换的特性分析 93
6.2 基于Contourlet变换的人脸图像超分辨率 95
6.2.1 特征提取 95
6.2.2 匹配复原 97
6.2.3 算法描述 98
6.3 实验结果与分析 99
6.4 本章小结 101
参考文献 102
第七章 基于改进的非下采样Contourlet变换的人脸图像超分辨率 103
7.1 非下采样Contourlet变换 103
7.1.1 非下采样金字塔 104
7.1.2 非下采样方向滤波器组 105
7.2 改进的非下采样Contourlet变换 106
7.3 算法实现 108
7.4 实验结果与分析 109
7.5 本章小结 112
参考文献 112
第八章 基于马尔可夫随机场的超分辨率技术研究 114
8.1 马尔可夫随机场模型 114
8.2 特征表示 117
8.3 基于马尔可夫随机场模型的超分辨率学习算法 118
8.4 实验结果与分析 120
8.5 本章小结 123
参考文献 123
第九章 基于重构方法的超分辨率研究 124
9.1 基于主成分分析重构的超分辨率算法 124
9.1.1 基于整幅图像的PCA重构算法 126
9.1.2 基于分块的PCA重构算法 126
9.2 基于流形学习重构的算法 127
9.2.1 LLE算法的基本原理 127
9.2.2 基于流形学习的超分辨率基本原理 129
9.2.3 特征提取 130
9.2.4 算法实现 131
9.3 实验结果与分析 132
9.4 本章小结 137
参考文献 137
第十章 基于超完备字典的图像稀疏表示理论的超分辨率复原 138
10.1 概述 138
10.1.1 信号的稀疏表示及其研究现状 138
10.1.2 信号稀疏性表示 139
10.1.3 超完备字典的基本概念 139
10.2 信号稀疏分解算法 140
10.2.1 引言 140
10.2.2 框架算法 141
10.2.3 匹配追踪算法 141
10.2.4 最佳正交基算法 142
10.2.5 全局最优算法 142
10.3 超完备字典学习算法 143
10.3.1 常用的字典学习算法 143
10.3.2 超完备字典学习算法的比较 145
10.4 基于图像稀疏表示的单幅图像超分辨率算法 147
10.4.1 自训练字典学习的算法框架 148
10.4.2 由粗到精的图像放大过程 150
10.4.3 低分辨率和高分辨率超完备字典学习算法 151
10.5 实验结果及分析 152
10.5.1 文本图像放大实验 153
10.5.2 与其他基于学习超分辨率算法对比 154
10.5.3 图像特征提取算法对重建效果的影响 156
10.5.4 目标放大倍数对重建效果的影响 157
10.5.5 超完备字典尺寸对本章算法的影响 158
10.6 本章小结 159
参考文献 160
第十一章 基于回归方法的超分辨率图像复原研究 162
11.1 支持向量回归 163
11.2 核偏最小二乘法回归 164
11.2.1 偏最小二乘法介绍 165
11.2.2 核偏最小二乘法 166
11.3 基于回归方法的超分辨率复原的基本原理 167
11.3.1 超分辨率图像复原原理 167
11.3.2 特征表示 167
11.3.3 基于回归的图像超分辨率复原算法 169
11.4 基于支持向量回归方法的实验结果与分析 170
11.4.1 算法的性能 170
11.4.2 算法参数分析 173
11.5 基于核偏最小二乘法的超分辨率实验结果与分析 174
11.6 本章小结 176
参考文献 176
第十二章 基于多分辨率金字塔和LLE算法的人脸图像超分辨率算法 178
12.1 先验模型 178
12.1.1 高斯金字塔 178
12.1.2 拉普拉斯金字塔 178
12.1.3 特征金字塔 179
12.2 先验模型复原过程 179
12.2.1 塔状父结构 180
12.2.2 匹配复原 181
12.2.3 算法实现 181
12.3 先验模型和测量模型 182
12.4 实验结果及分析 183
12.5 本章小结 184
参考文献 185
第十三章 基于马尔可夫模型与Contourlet变换的图像超分辨率复原算法 186
13.1 算法的基本原理 186
13.2 Contourlet系数块结构 187
13.3 马尔可夫模型 188
13.4 基于MRF模型和Cotourlet变换的超分辨率学习算法 190
13.5 实验结果与分析 192
13.6 本章小结 199
参考文献 199
第十四章 基于视觉美学学习的图像质量评估和增强 200
14.1 基于学习的美学 202
14.1.1 用户调查 202
14.1.2 视觉美学特征 203
14.2 重建照片，增强照片质量 204
14.2.1 算法Ⅰ 优化对象位置 205
14.2.2 算法Ⅱ 平衡视觉重量 206
14.3 实验结果与分析 207
14.4 本章小结 209
参考文献 209