| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 背景及意义 | 第8-9页 |
| 1.1.1 压缩感知理论 | 第8页 |
| 1.1.2 稀疏表示与重构 | 第8-9页 |
| 1.1.3 稀疏表示字典设计 | 第9页 |
| 1.1.4 稀疏字典用于图像去噪 | 第9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 论文的主要研究内容 | 第10-12页 |
| 第2章 稀疏表示基本理论 | 第12-18页 |
| 2.1 稀疏约束下的信号表示与重构问题 | 第12-14页 |
| 2.1.1 带有稀疏约束的优化问题 | 第12-13页 |
| 2.1.2 信号的稀疏表示与重构 | 第13-14页 |
| 2.1.3 学习字典目标 | 第14页 |
| 2.2 稀疏约束优化问题求解方法 | 第14-17页 |
| 2.2.1 匹配追踪算法 | 第14-16页 |
| 2.2.2 正交匹配追踪算法 | 第16页 |
| 2.2.3 l0凸优化求解算法 | 第16-17页 |
| 2.3 本章小结 | 第17-18页 |
| 第3章 学习字典算法设计 | 第18-30页 |
| 3.1 常见学习字典算法 | 第18-22页 |
| 3.1.1 MOD字典学习算法 | 第18-19页 |
| 3.1.2 K-SVD字典学习算法 | 第19-21页 |
| 3.1.3 常见字典学习算法比较与不足 | 第21-22页 |
| 3.2 全局支撑交错追踪K-SVD字典学习算法 | 第22-24页 |
| 3.2.1 GSAP-KSVD算法过程 | 第22-23页 |
| 3.2.2 GSAP-KSVD算法的计算复杂度 | 第23-24页 |
| 3.2.3 GSAP-KSVD算法的优势与不足 | 第24页 |
| 3.2.4 GSAP-KSVD算法表示误差和重构原子比例实验 | 第24页 |
| 3.3 交错追踪先导K-SVD字典学习算法 | 第24-28页 |
| 3.3.1 字典更新单元 | 第24-25页 |
| 3.3.2 APG-KSVD算法过程 | 第25页 |
| 3.3.3 APG-KSVD算法表示误差和重构原子比例实验 | 第25-28页 |
| 3.4 本章小结 | 第28-30页 |
| 第4章 基于GSAP-KSVD和APG-KSVD算法的图像去噪 | 第30-40页 |
| 4.1 图像稀疏表示模型 | 第30-31页 |
| 4.1.1 图像块稀疏表示模型 | 第30页 |
| 4.1.2 单幅图像稀疏表示模型 | 第30页 |
| 4.1.3 图像稀疏去噪 | 第30-31页 |
| 4.2 基于GSAP-KSVD和APG-KSVD图像去噪 | 第31-37页 |
| 4.2.1 基于GSAP-KSVD图像去噪实验 | 第31-34页 |
| 4.2.2 基于APG-KSVD图像去噪实验 | 第34-37页 |
| 4.3 本章小结 | 第37-40页 |
| 结论与展望 | 第40-42页 |
| 参考文献 | 第42-46页 |
| 致谢 | 第46页 |
