| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-14页 |
| 1.1 数字图像去噪的背景及意义 | 第7页 |
| 1.2 图像去噪方法分类 | 第7-11页 |
| 1.2.1 非局部均值法 | 第7-8页 |
| 1.2.2 条件随机场法 | 第8页 |
| 1.2.3 双边滤波法 | 第8-9页 |
| 1.2.4 各向异性扩散法 | 第9页 |
| 1.2.5 统计模型法 | 第9-10页 |
| 1.2.6 统计学习法 | 第10-11页 |
| 1.3 分解变换工具发展现状 | 第11-13页 |
| 1.4 章节安排 | 第13-14页 |
| 2 基于非下采样Shearlet变换的PCC分类图像去噪算法 | 第14-30页 |
| 2.1 支持向量机（SVM）理论简介 | 第14-15页 |
| 2.2 PCC理论简介 | 第15-18页 |
| 2.3 非下采样Shearlet变换简介 | 第18-21页 |
| 2.4 算法步骤概述 | 第21-23页 |
| 2.4.1 对含噪图像进行分解 | 第21页 |
| 2.4.2 构造特征向量 | 第21-22页 |
| 2.4.3 自适应阈值去噪 | 第22-23页 |
| 2.4.4 非下采样Shearlet逆变换得到去噪后图像 | 第23页 |
| 2.5 仿真实验结果 | 第23-29页 |
| 2.5.1 参数S的估计 | 第23-24页 |
| 2.5.2 标准图像的去噪结果 | 第24-27页 |
| 2.5.3 普通图像以及遥感图像的去噪结果 | 第27-29页 |
| 2.6 小结 | 第29-30页 |
| 3 基于BEMD变换的新型HMT模型图像去噪算法 | 第30-41页 |
| 3.1 二维经验模态分解（BEMD）简介 | 第30-32页 |
| 3.2 变换系数的统计分布 | 第32-34页 |
| 3.2.1 指数分布 | 第32-34页 |
| 3.2.2 参数估计 | 第34页 |
| 3.3 计算变换系数的条件概率密度 | 第34页 |
| 3.4 计算系数尺度间平均圆锥比率概率密度 | 第34-35页 |
| 3.5 获得系数的联合概率密度 | 第35页 |
| 3.6 建立新型HMT树 | 第35-37页 |
| 3.6.1 互信息计算 | 第36页 |
| 3.6.2 互信息计算结果 | 第36-37页 |
| 3.6.3 变换系数树状图 | 第37页 |
| 3.7 使用贝叶斯规则进行去噪 | 第37页 |
| 3.8 仿真实验结果 | 第37-40页 |
| 3.9 小结 | 第40-41页 |
| 4 总结与展望 | 第41-43页 |
| 4.1 论文总结 | 第41页 |
| 4.2 未来发展展望 | 第41-43页 |
| 参考文献 | 第43-47页 |
| 攻读硕士学位期间发表学术论文情况 | 第47-48页 |
| 致谢 | 第48页 |