| 摘要 | 第4-7页 |
| Abstract | 第7-9页 |
| 第一章 绪论 | 第20-32页 |
| 1.1 研究背景与意义 | 第20-24页 |
| 1.2 图像复原问题的研究现状 | 第24-28页 |
| 1.2.1 图像去噪 | 第25-26页 |
| 1.2.2 图像去模糊 | 第26-27页 |
| 1.2.3 图像修补 | 第27页 |
| 1.2.4 图像压缩感知重建 | 第27-28页 |
| 1.3 本文主要研究内容 | 第28-30页 |
| 1.4 本文的组织结构 | 第30-32页 |
| 第二章 图像复原问题的基本理论与方法 | 第32-40页 |
| 2.1 图像复原问题的不适定性 | 第32-33页 |
| 2.2 图像复原方法 | 第33-37页 |
| 2.2.1 基于小波架构方法 | 第33页 |
| 2.2.2 基于变分方法 | 第33页 |
| 2.2.3 基于稀疏表示方法 | 第33-35页 |
| 2.2.4 基于低秩表示方法 | 第35-36页 |
| 2.2.5 基于深度学习方法 | 第36-37页 |
| 2.3 图像质量评价方法 | 第37-38页 |
| 2.3.1 主观评价方法 | 第37页 |
| 2.3.2 客观评价方法 | 第37-38页 |
| 2.4 本章小节 | 第38-40页 |
| 第三章 基于自适应非局部正则化的图像压缩感知重建算法 | 第40-60页 |
| 3.1 引言 | 第40页 |
| 3.2 图像压缩感知背景 | 第40-41页 |
| 3.3 基于块稀疏表示 | 第41页 |
| 3.4 图像压缩感知重建通过自适应非局部正则化模型 | 第41-50页 |
| 3.4.1 ADMM算法求解自适应非局部正则化模型 | 第42-48页 |
| 3.4.2 自适应PCA字典学习 | 第48-49页 |
| 3.4.3 提出的算法汇总 | 第49-50页 |
| 3.5 实验结果 | 第50-58页 |
| 3.5.1 实验环境与参数设置 | 第50页 |
| 3.5.2 数值性能比较 | 第50-54页 |
| 3.5.3 视觉质量比较 | 第54-55页 |
| 3.5.4 字典选择的影响 | 第55-56页 |
| 3.5.5 噪声对提出方法的影响 | 第56-57页 |
| 3.5.6 比较ADMM方法与IST方法 | 第57-58页 |
| 3.6 小节 | 第58-60页 |
| 第四章 基于组稀疏残差约束的图像去噪算法 | 第60-76页 |
| 4.1 引言 | 第60页 |
| 4.2 组稀疏残差约束的图像去噪算法 | 第60-67页 |
| 4.2.1 基于组稀疏编码 | 第60-61页 |
| 4.2.2 组稀疏残差约束 | 第61页 |
| 4.2.3 基于GMM方法学习自然图像的非局部先验 | 第61-64页 |
| 4.2.4 如何决定p | 第64-66页 |
| 4.2.5 如何求解GSRC模型 | 第66-67页 |
| 4.3 实验结果 | 第67-74页 |
| 4.4 小结 | 第74-76页 |
| 第五章 分析组稀疏基于秩最小化方法 | 第76-102页 |
| 5.1 引言 | 第76-77页 |
| 5.2 相关工作 | 第77-78页 |
| 5.2.1 秩最小化 | 第77页 |
| 5.2.2 核范数 | 第77-78页 |
| 5.3 分析组稀疏基于秩最小化方法 | 第78-82页 |
| 5.3.1 自适应字典学习 | 第78-79页 |
| 5.3.2 证明组稀疏编码与秩最小化问题等价 | 第79-82页 |
| 5.3.3 分析组稀疏通过秩最小化方法 | 第82页 |
| 5.4 基于组稀疏编码的图像复原通过权重l_p范数最小化方法 | 第82-88页 |
| 5.4.1 基于ADMM算法求解权重l_p范数最小化方法 | 第82-84页 |
| 5.4.2 Z子问题 | 第84-85页 |
| 5.4.3 A子问题 | 第85-87页 |
| 5.4.4 广义软阈值算法 | 第87-88页 |
| 5.4.5 权重与正则化参数设置 | 第88页 |
| 5.5 实验结果 | 第88-100页 |
| 5.5.1 参数选择 | 第89-94页 |
| 5.5.2 比较l_1-norm, Weighted l_1-norm,l_p-norm以及Weighted l_p-norm | 第94-96页 |
| 5.5.3 跟主流算法比较 | 第96-99页 |
| 5.5.4 块匹配数目的影响 | 第99页 |
| 5.5.5 收敛性分析 | 第99-100页 |
| 5.6 小结 | 第100-102页 |
| 第六章 基于组稀疏架构的非凸权重l_p最小化图像去噪算法 | 第102-112页 |
| 6.1 引言 | 第102页 |
| 6.2 基于组稀疏表示 | 第102-103页 |
| 6.3 基于组稀疏架构的非凸权重l_p最小化模型 | 第103-106页 |
| 6.3.1 非凸权重l_p最小化模型 | 第103-104页 |
| 6.3.2 自适应块寻找 | 第104-106页 |
| 6.4 实验结果 | 第106-110页 |
| 6.4.1 参数设置 | 第107-108页 |
| 6.4.2 测试6幅自然图像 | 第108页 |
| 6.4.3 验证自适应块选取策略可行性 | 第108-109页 |
| 6.4.4 计算时间 | 第109-110页 |
| 6.4.5 测试BSD200数据集 | 第110页 |
| 6.5 小结 | 第110-112页 |
| 第七章 基于ADMM架构的非凸权重l_p核范数图像复原算法 | 第112-130页 |
| 7.1 引言 | 第112页 |
| 7.2 非凸权重l_p核范数先验模型 | 第112-120页 |
| 7.2.1 基于ADMM架构求解非凸权重l_p核范数模型 | 第113-114页 |
| 7.2.2 X子问题 | 第114页 |
| 7.2.3 Z子问题 | 第114-120页 |
| 7.3 实验结果 | 第120-126页 |
| 7.3.1 图像去模糊 | 第120-122页 |
| 7.3.2 图像修补 | 第122页 |
| 7.3.3 图像CS重建 | 第122-124页 |
| 7.3.4 比较NNM与NCW-NNM方法 | 第124-125页 |
| 7.3.5 收敛性分析 | 第125-126页 |
| 7.4 小结 | 第126-130页 |
| 第八章 总结与展望 | 第130-132页 |
| 8.1 总结 | 第130-131页 |
| 8.2 展望 | 第131-132页 |
| 参考文献 | 第132-154页 |
| 简历与科研成果 | 第154-158页 |
| 致谢 | 第158-160页 |
