| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 课题研究背景 | 第8-9页 |
| 1.2 研究的目的与意义 | 第9页 |
| 1.3 国内外研究现状及分析 | 第9-11页 |
| 1.3.1CS理论与DCS理论研究现状 | 第10页 |
| 1.3.2 深空视频编解码研究现状 | 第10-11页 |
| 1.4 现阶段研究工作存在的问题与不足 | 第11页 |
| 1.5 本文主要内容和结构安排 | 第11-13页 |
| 第2章 压缩感知与分布式视频编解码基本理论 | 第13-21页 |
| 2.1 引言 | 第13页 |
| 2.2 压缩感知理论基础 | 第13-17页 |
| 2.2.1 信号的稀疏表示 | 第13-14页 |
| 2.2.2 信号压缩原理 | 第14-15页 |
| 2.2.3 信号重构算法 | 第15-16页 |
| 2.2.4 压缩感知在图像压缩中的应用 | 第16-17页 |
| 2.3 基于压缩感知的分布式视频编解码理论 | 第17-20页 |
| 2.3.1 分布式视频编码 | 第17-19页 |
| 2.3.2 分布式压缩感知 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 CS重构算法原理 | 第21-34页 |
| 3.1 引言 | 第21页 |
| 3.2 常用CS重构算法 | 第21-26页 |
| 3.2.1 正交匹配追踪算法（OMP） | 第21-22页 |
| 3.2.2 压缩采样匹配追踪算法（CoSaMP） | 第22-23页 |
| 3.2.3 子空间追踪算法（SP） | 第23页 |
| 3.2.4 迭代阈值算法（IHT） | 第23-25页 |
| 3.2.5 梯度投影稀疏重构算法（GPSR） | 第25-26页 |
| 3.3 实验对比与结果分析 | 第26-32页 |
| 3.4 本章小结 | 第32-34页 |
| 第4章 基于双密度双树复小波的结构化CS图像重构算法 | 第34-48页 |
| 4.1 引言 | 第34页 |
| 4.2 双密度双树复小波变换与小波树结构模型 | 第34-38页 |
| 4.2.1 小波变换原理 | 第35页 |
| 4.2.2 双树复小波变换 | 第35-36页 |
| 4.2.3 双密度双树复小波变换 | 第36-37页 |
| 4.2.4 小波树模型 | 第37-38页 |
| 4.3 基于小波树模型的CS图像重构算法 | 第38-41页 |
| 4.3.1 压缩分类选择算法 | 第39-40页 |
| 4.3.2 DDDT-CWT-Tree-CoSaMP算法 | 第40-41页 |
| 4.4 实验对比与结果分析 | 第41-46页 |
| 4.5 本章小结 | 第46-48页 |
| 第5章 基于DDDT-CWT的双重稀疏模型下的DCVS系统 | 第48-63页 |
| 5.1 引言 | 第48页 |
| 5.2 DCVS视频编解码系统 | 第48-52页 |
| 5.2.1 DCVS系统编码端设计 | 第50页 |
| 5.2.2 DCVS系统解码端设计 | 第50-52页 |
| 5.3 基于DDDT-CWT的双稀疏小波域多尺度字典训练 | 第52-56页 |
| 5.3.1 双重稀疏字典模型 | 第53页 |
| 5.3.2 双稀疏模型下的小波域多尺度字典训练 | 第53-54页 |
| 5.3.3 基于DDDT-CWT的小波域字典训练算法 | 第54-56页 |
| 5.4 实验对比与结果分析 | 第56-62页 |
| 5.5 本章小结 | 第62-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第69-71页 |
| 致谢 | 第71页 |
