基于流形及高斯混合模型的压缩感知算法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-10页 |
| 第1章 绪论 | 第10-16页 |
| ·课题研究背景 | 第10页 |
| ·国内外研究现状 | 第10-14页 |
| ·图像稀疏表示研究现状 | 第10-11页 |
| ·观测矩阵设计研究现状 | 第11-12页 |
| ·压缩感知重构算法的研究现状 | 第12-13页 |
| ·压缩感知理论的应用 | 第13-14页 |
| ·高维空间数据的研究现状 | 第14页 |
| ·论文的主要内容及结构安排 | 第14-16页 |
| ·本论文主要研究的内容 | 第14-15页 |
| ·本论文结构安排 | 第15-16页 |
| 第2章 基于多尺度流形的压缩感知方法 | 第16-34页 |
| ·引言 | 第16页 |
| ·压缩感知理论 | 第16-22页 |
| ·压缩感知基本原理 | 第16-19页 |
| ·图像的稀疏表示 | 第19-20页 |
| ·观测矩阵设计 | 第20-21页 |
| ·重构算法 | 第21-22页 |
| ·高维空间的多尺度流形学习方法 | 第22-25页 |
| ·多尺度几何特性的树状结构的构造 | 第23-24页 |
| ·切平面对流形的多尺度估计 | 第24-25页 |
| ·基于多尺度流形的压缩感知方法 | 第25-27页 |
| ·实验结果分析 | 第27-33页 |
| ·本章小结 | 第33-34页 |
| 第3章 基于稀疏表示的图像块聚类方法 | 第34-46页 |
| ·引言 | 第34页 |
| ·高维数据的特点 | 第34-35页 |
| ·常见的聚类方法 | 第35-38页 |
| ·基于稀疏表示的图像块聚类方法 | 第38-41页 |
| ·基于稀疏表示的分类方法 | 第38-40页 |
| ·基于稀疏表示的图像块聚类方法 | 第40-41页 |
| ·实验结果分析 | 第41-45页 |
| ·本章小结 | 第45-46页 |
| 第4章 基于高斯混合模型的压缩感知方法 | 第46-60页 |
| ·引言 | 第46页 |
| ·基于高斯混合模型的压缩感知方法 | 第46-52页 |
| ·高斯混合模型的训练 | 第47-48页 |
| ·基于观测值的高斯分布选择方法 | 第48-49页 |
| ·基于最优高斯分布的重构算法 | 第49-50页 |
| ·多高斯分布联合重构 | 第50-52页 |
| ·基于信息论的观测矩阵优化方法 | 第52-54页 |
| ·实验结果分析 | 第54-59页 |
| ·本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-70页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第70-71页 |
| 致谢 | 第71-72页 |
| 作者简介 | 第72页 |
