| 作者简介 | 第1-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-15页 |
| 第一章 绪论 | 第15-59页 |
| ·压缩感知概述 | 第15-27页 |
| ·传统压缩感知 | 第18-21页 |
| ·结构化压缩感知 | 第21-27页 |
| ·压缩感知重建算法的研究现状 | 第27-38页 |
| ·传统压缩感知重构算法 | 第27-33页 |
| ·结构化压缩感知重构算法 | 第33-38页 |
| ·压缩感知重建研究面临的挑战 | 第38-39页 |
| ·本文的主要工作 | 第39-41页 |
| 本章参考文献 | 第41-59页 |
| 第二章 基于分段快速 LASSO 的压缩感知图像重建 | 第59-77页 |
| ·引言 | 第59-60页 |
| ·不敏感的 Huber LASSO 模型 | 第60-61页 |
| ·分段快速 LASSO | 第61-64页 |
| ·求解子问题 | 第61-62页 |
| ·选择基函数 | 第62-63页 |
| ·算法的停止准则 | 第63-64页 |
| ·图像重构实验 | 第64-70页 |
| ·自然图像的 CS 重构 | 第65-69页 |
| ·SAR 图像的 CS 重构 | 第69-70页 |
| ·本章小结 | 第70-75页 |
| 本章参考文献 | 第75-77页 |
| 第三章 基于 lp稀疏 Bayesian 学习的压缩感知图像重建 | 第77-97页 |
| ·引言 | 第77-78页 |
| ·稀疏线性模型的基本假设和求解方法 | 第78-79页 |
| ·稀疏线性模型的基本假设 | 第78页 |
| ·稀疏线性模型的求解方法— MAP 和 SBL | 第78-79页 |
| ·lp-稀疏 Bayesin 学习 | 第79-81页 |
| ·分段快速 lp-稀疏 Bayesin 学习 | 第81-84页 |
| ·解子问题 | 第82页 |
| ·选择基函数 | 第82-84页 |
| ·数值实验与讨论 | 第84-88页 |
| ·图像的 CS 重构实验 | 第84-87页 |
| ·讨论 | 第87-88页 |
| ·本章小结 | 第88-93页 |
| 本参考文献 | 第93-97页 |
| 第四章 基于 Bayesian 框架和进化计算的压缩感知图像重建 | 第97-127页 |
| ·引言 | 第97-98页 |
| ·Bayesian 进化追踪算法 | 第98-103页 |
| ·BEPA 的算法流程 | 第98-100页 |
| ·BEPA 的基本假设 | 第100-101页 |
| ·子问题求解 | 第101-103页 |
| ·Bayesian 追踪算法 | 第103页 |
| ·图像重构实验 | 第103-122页 |
| ·SAR 图像的 CS 重构实验 | 第103-120页 |
| ·自然图像的 CS 重构实验 | 第120-122页 |
| ·含噪声自然图像的 CS 重构实验 | 第122页 |
| ·本章小结 | 第122-123页 |
| 本章参考文献 | 第123-127页 |
| 第五章 基于尺度混合模型的多变量压缩感知图像重建 | 第127-161页 |
| ·引言 | 第127-128页 |
| ·多变量压缩采样 | 第128-130页 |
| ·多变量压缩感知的数学模型 | 第130页 |
| ·基于尺度混合模型的多变量追踪算法 | 第130-137页 |
| ·MPA 的算法流程 | 第131-132页 |
| ·MPA 的先验假设 | 第132页 |
| ·MPA 的子问题求解 | 第132-133页 |
| ·基于尺度混合模型的 MPA | 第133-137页 |
| ·小波域图像的 CS 重构实验 | 第137-148页 |
| ·实验一：与基于单变量模型的传统 CS 重构算法的性能比较 | 第137-141页 |
| ·实验二：与结构化 CS 重构算法的性能比较 | 第141-145页 |
| ·实验三：医学图像的 CS 重构 | 第145页 |
| ·讨论 | 第145-148页 |
| ·WBCT 域图像的 CS 重构实验 | 第148-156页 |
| ·基于 EM 的主体分量重构的子问题求解 | 第148-150页 |
| ·WBCT 域图像的 CS 重构 | 第150-156页 |
| ·本章小结 | 第156页 |
| 本章参考文献 | 第156-161页 |
| 第六章 基于 HMT 的迭代重复加权多变量压缩感知图像重建 | 第161-189页 |
| ·引言 | 第161-162页 |
| ·迭代重复加权方法 | 第162-163页 |
| ·小波 HMT 模型和 HMT-IRWL1 | 第163-165页 |
| ·隐 Markov 树模型 | 第163-165页 |
| ·基于 HMT 的迭代重复加权 l1-范数最小化算法 | 第165页 |
| ·基于 HMT 的迭代重复加权的多变量 CS | 第165-170页 |
| ·基于 HMT 的迭代重复加权多变量追踪算法 | 第166-169页 |
| ·基于修正的后验状态概率的 HMT-IRW-MPA | 第169-170页 |
| ·数值实验与分析 | 第170-184页 |
| ·算法参数设置 | 第171-173页 |
| ·重构性能的比较与分析 | 第173-184页 |
| ·本章小节 | 第184-185页 |
| 本章参考文献 | 第185-189页 |
| 第七章 基于边缘信息指导的压缩感知图像重建 | 第189-213页 |
| ·引言 | 第189-190页 |
| ·边缘信息的提取方法 | 第190-192页 |
| ·基于边缘信息指导的匹配追踪算法 | 第192-195页 |
| ·基于边缘信息指导的 MP 算法 | 第192-193页 |
| ·数值实验 | 第193-195页 |
| ·基于边缘信息指导的多变量追踪算法 | 第195-198页 |
| ·基于边缘信息指导的 MPA 算法 | 第195-197页 |
| ·EMPA 的一些变种算法 | 第197-198页 |
| ·数值实验结果与分析 | 第198-210页 |
| ·EMPA 的参数设置 | 第199页 |
| ·EMPA 的性能测试 | 第199-210页 |
| ·本章小节 | 第210页 |
| 本章参考文献 | 第210-213页 |
| 第八章 总结与展望 | 第213-217页 |
| ·总结 | 第213-214页 |
| ·展望 | 第214-217页 |
| 致谢 | 第217-219页 |
| 攻读博士学位期间撰写的学术论文 | 第219-221页 |
| 攻读博士学位期间参与的科研项目 | 第221-222页 |
