低秩矩阵恢复算法的改进
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第13-25页 |
| 1.1 鲁棒主成分分析模型 | 第13-15页 |
| 1.2 鲁棒主成分分析算法综述 | 第15-20页 |
| 1.2.1 迭代阈值算法 | 第15-16页 |
| 1.2.2 加速近端梯度算法 | 第16-18页 |
| 1.2.3 增广拉格朗日乘子法 | 第18-20页 |
| 1.3 鲁棒主成分分析应用综述 | 第20-22页 |
| 1.3.1 人脸识别 | 第20-21页 |
| 1.3.2 图像对齐和校正 | 第21-22页 |
| 1.3.3 视频处理中的背景剥离 | 第22页 |
| 1.4 本文的组织结构 | 第22-25页 |
| 第二章 基于2,1范数的RPCA模型 | 第25-35页 |
| 2.1 预备知识 | 第25页 |
| 2.2 带2,1范数的RPCA模型求解 | 第25-27页 |
| 2.3 收敛性证明 | 第27-28页 |
| 2.4 辅助矩阵法 | 第28-29页 |
| 2.5 数值模拟 | 第29-32页 |
| 2.6 图像轮廓提取 | 第32-33页 |
| 2.7 本章小结 | 第33-35页 |
| 第三章 基于混合噪声的RPCA模型 | 第35-43页 |
| 3.1 广义的鲁棒主成分分析 | 第35页 |
| 3.2 算法简介 | 第35-36页 |
| 3.3 模型推导及算法流程 | 第36-37页 |
| 3.4 收敛性证明 | 第37-38页 |
| 3.5 数值模拟 | 第38-41页 |
| 3.6 含有混合噪声的图像分离 | 第41-42页 |
| 3.7 本章小结 | 第42-43页 |
| 第四章 结论 | 第43-45页 |
| 4.1 主要结论 | 第43页 |
| 4.2 创新点 | 第43页 |
| 4.3 展望 | 第43-45页 |
| 参考文献 | 第45-49页 |
| 附录一 | 第49-55页 |
| 附录二 | 第55-59页 |
| 致谢 | 第59-61页 |
| 研究成果及学术论文 | 第61-63页 |
| 作者和导师简介 | 第63-64页 |
| 附件 | 第64-65页 |
