基于稀疏表示和字典学习的图像去噪方法的研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第7-9页 |
| Contents | 第9-11页 |
| 第一章 绪论 | 第11-17页 |
| 1.1. 研究背景和意义 | 第11-12页 |
| 1.2 国内外发展现状 | 第12-16页 |
| 1.2.1 图像去噪的发展 | 第12-14页 |
| 1.2.2 稀疏理论的研究现状 | 第14-16页 |
| 1.3. 本文主要研究内容及论文组织结构 | 第16-17页 |
| 1.3.1 本文开展的主要研究内容 | 第16页 |
| 1.3.2 论文组织结构 | 第16-17页 |
| 第二章 稀疏表示理论 | 第17-24页 |
| 2.1 信号的稀疏表示 | 第17-19页 |
| 2.1.1. 信号的表示 | 第17页 |
| 2.1.2. 过完备稀疏表示 | 第17-18页 |
| 2.1.3. 稀疏表示的唯一性 | 第18-19页 |
| 2.2 稀疏分解算法 | 第19-23页 |
| 2.2.1 MP算法 | 第19-21页 |
| 2.2.2 OMP算法 | 第21-23页 |
| 2.2.3 BP算法 | 第23页 |
| 2.3 本章总结 | 第23-24页 |
| 第三章 字典学习 | 第24-39页 |
| 3.1 字典学习基本原理及模型 | 第25-26页 |
| 3.2 字典学习算法 | 第26-31页 |
| 3.2.1 Sparsenet字典学习算法 | 第26-27页 |
| 3.2.2 MOD字典学习算法 | 第27-28页 |
| 3.2.3 K-SVD字典学习算法 | 第28-31页 |
| 3.2.4 OLM字典学习算法 | 第31页 |
| 3.3 基于PGM的字典学习算法 | 第31-35页 |
| 3.3.1. 近端梯度优化法 | 第32页 |
| 3.3.2. 基于PGM的字典学习算法 | 第32-35页 |
| 3.3.3. 收敛分析 | 第35页 |
| 3.4 与K-SVD、OLM进行字典学习对比实验 | 第35-38页 |
| 3.4.1 实验设计 | 第36页 |
| 3.4.2 实验结果及分析 | 第36-38页 |
| 3.5 本章总结 | 第38-39页 |
| 第四章 基于字典学习和稀疏表示的图像去噪 | 第39-49页 |
| 4.1. 图像稀疏表示模型 | 第39-42页 |
| 4.1.1 图像的稀疏表示 | 第39页 |
| 4.1.2 图像块的稀疏模型 | 第39-40页 |
| 4.1.3 整幅图像的稀疏模型 | 第40-41页 |
| 4.1.4 稀疏模型的求解 | 第41-42页 |
| 4.2. 基于字典学习的图像稀疏去噪模型 | 第42-43页 |
| 4.3. 基于字典学习的图像稀疏去噪 | 第43-48页 |
| 4.3.1 去噪效果评价指标 | 第43页 |
| 4.3.2 实验设计 | 第43-44页 |
| 4.3.3 实验结果及分析 | 第44-48页 |
| 4.4. 本章小结 | 第48-49页 |
| 总结与展望 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 攻读学位期间主要研究成果 | 第55-57页 |
| 致谢 | 第57页 |
