| 摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第13-23页 |
| 1.1 课题研究背景及意义 | 第13-14页 |
| 1.1.1 智能机器人发展现状 | 第13页 |
| 1.1.2 视觉图像对机器人重要性及存在的问题 | 第13-14页 |
| 1.1.3 本课题研究意义 | 第14页 |
| 1.2 图像压缩感知技术研究现状 | 第14-21页 |
| 1.2.1 压缩感知的原理及目的 | 第14-16页 |
| 1.2.2 稀疏表示理论及方法 | 第16-18页 |
| 1.2.3 压缩感知技术的其他关键问题 | 第18-20页 |
| 1.2.4 图像压缩感知的应用 | 第20-21页 |
| 1.3 论文研究内容与结构 | 第21-23页 |
| 1.3.1 论文主要研究内容 | 第21-22页 |
| 1.3.2 论文创新性 | 第22-23页 |
| 第2章 一种简化的字典学习稀疏表示算法 | 第23-32页 |
| 2.1 预备知识 | 第23-26页 |
| 2.1.1 字典学习中用到的数学方法 | 第23-26页 |
| 2.1.2 图像稀疏表示重构效果评价 | 第26页 |
| 2.2 字典学习算法步骤 | 第26-27页 |
| 2.3 MOD字典学习算法 | 第27页 |
| 2.4 K-SVD字典学习算法 | 第27-28页 |
| 2.5 简化的近似K-SVD算法 | 第28-31页 |
| 2.5.1 原理及意义 | 第28-29页 |
| 2.5.2 实验仿真结果 | 第29-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 一种基于机器人图像的多原子字典学习方法 | 第32-45页 |
| 3.1 SGK算法原理 | 第32-33页 |
| 3.2 多原子同时更新的SGK算法 | 第33-42页 |
| 3.2.1 改进算法的原理 | 第33-35页 |
| 3.2.2 算法合理性及其证明 | 第35页 |
| 3.2.3 参数的确定 | 第35-37页 |
| 3.2.4 实验仿真结果 | 第37-42页 |
| 3.3 算法复杂度分析 | 第42-43页 |
| 3.4 本章小结 | 第43-45页 |
| 第4章 机器人序列图像在线字典学习算法 | 第45-59页 |
| 4.1 在线字典学习算法的原理及分类 | 第45-50页 |
| 4.1.1 ODL算法 | 第45-48页 |
| 4.1.2 ILS-DLA算法与RLS-DLA算法 | 第48-50页 |
| 4.2 本文在线算法 | 第50-57页 |
| 4.2.1 算法原理及步骤 | 第50-53页 |
| 4.2.2 实验仿真 | 第53-57页 |
| 4.3 本章小结 | 第57-59页 |
| 第5章 总结与展望 | 第59-61页 |
| 5.1 本文工作总结 | 第59页 |
| 5.2 稀疏表示字典学习前景展望 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66-67页 |
| 附录A 攻读学位期间所撰写及录用的学术论文 | 第67页 |