| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-17页 |
| 1.1 课题的背景、目的和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 不完全角度重建研究现状 | 第10-12页 |
| 1.2.2 压缩感知研究现状 | 第12-13页 |
| 1.2.3 TV最小化算法研究现状 | 第13页 |
| 1.2.4 ADMM算法研究现状 | 第13-15页 |
| 1.3 本文的研究内容 | 第15页 |
| 1.4 本文的结构 | 第15-17页 |
| 2.CT图像重建基础知识 | 第17-30页 |
| 2.1 CT成像基本原理 | 第17-20页 |
| 2.2 迭代算法理论 | 第20-23页 |
| 2.2.1 迭代重建算法的模型 | 第20-22页 |
| 2.2.2 迭代重建算法的过程 | 第22-23页 |
| 2.3 基于压缩感知的图像重建基础理论 | 第23-26页 |
| 2.3.1 传统的采样定理 | 第23-24页 |
| 2.3.2 压缩感知（Compressive Sensing，CS）理论基础知识 | 第24-26页 |
| 2.4 基于TV最小化的图像重建基础理论 | 第26-27页 |
| 2.5 图像质量评价参数 | 第27-29页 |
| 2.6 本章小结 | 第29-30页 |
| 3.基于ADMM算法的TV重建 | 第30-46页 |
| 3.1 ADMM算法的基本原理 | 第30-32页 |
| 3.2 ADMM算法的参数选取 | 第32-38页 |
| 3.2.1 参数λ的选取 | 第33-35页 |
| 3.2.2 参数ρ的选取 | 第35-38页 |
| 3.3 基于ADMM的重建算法研究 | 第38-45页 |
| 3.3.1 基于ADMM的稀疏重建 | 第38-42页 |
| 3.3.2 ADMM算法的抗噪性研究 | 第42-45页 |
| 3.4 本章小结 | 第45-46页 |
| 4 对ADMM算法在收敛速度和重建质量两方面的改进 | 第46-62页 |
| 4.1 有序子集（Ordered Subset ,OS）算法在ADMM算法中的应用 | 第46-54页 |
| 4.1.1 OS-ADMM算法简介 | 第46-48页 |
| 4.1.2 OS-ADMM算法的迭代步骤 | 第48-49页 |
| 4.1.3 OS-ADMM算法的加速效果研究 | 第49-52页 |
| 4.1.4 OS-ADMM算法的抗噪性研究 | 第52-54页 |
| 4.2 自适应方法在ADMM算法中的应用 | 第54-61页 |
| 4.2.1 基于自适应方法的A-ADMM算法 | 第54-56页 |
| 4.2.2 A-ADMM算法增加成像精度的研究 | 第56-58页 |
| 4.2.3 A-ADMM算法的抗噪性研究 | 第58-61页 |
| 4.3 本章小结 | 第61-62页 |
| 5 总结与展望 | 第62-66页 |
| 5.1 论文工作总结 | 第62-64页 |
| 5.2 未来工作展望 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 攻读硕士学位期间所取得的研究成果 | 第72-73页 |
| 致谢 | 第73-74页 |
