基于全变分的图像复原算法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状及发展趋势 | 第9-11页 |
| 1.2.1 国内外研究现状 | 第9-10页 |
| 1.2.2 发展趋势 | 第10-11页 |
| 1.3 本文主要研究内容及结构安排 | 第11-14页 |
| 1.3.1 主要研究内容 | 第11-12页 |
| 1.3.2 全文结构安排 | 第12-14页 |
| 第二章 图像复原理论研究 | 第14-24页 |
| 2.1 图像复原理论 | 第14页 |
| 2.2 图像退化模型 | 第14-15页 |
| 2.3 噪声相关理论 | 第15-17页 |
| 2.3.1 根据噪声的来源分类 | 第15页 |
| 2.3.2 根据噪声的统计特征分类 | 第15-17页 |
| 2.3.3 根据噪声和信号之间的关系分类 | 第17页 |
| 2.4 图像复原模型 | 第17-19页 |
| 2.4.1 传统的图像复原方法 | 第17-18页 |
| 2.4.2 贝叶斯图像复原模型 | 第18-19页 |
| 2.4.3 确定性图像复原模型 | 第19页 |
| 2.5 数字图像复原技术 | 第19-21页 |
| 2.5.1 正则化方法 | 第19-20页 |
| 2.5.2 自适应方法 | 第20页 |
| 2.5.3 小波分析法 | 第20-21页 |
| 2.5.4 神经网络法 | 第21页 |
| 2.6 矩阵范数 | 第21-22页 |
| 2.7 本章小结 | 第22-24页 |
| 第三章 求解全变分去噪模型的方法总结 | 第24-34页 |
| 3.1 全变分正则化模型 | 第24-25页 |
| 3.2 优化算法研究 | 第25-27页 |
| 3.2.1 传统的迭代算法 | 第25-26页 |
| 3.2.2 快速迭代收缩阈值算法FISTA | 第26-27页 |
| 3.3 增广拉格朗日算法ALM | 第27-29页 |
| 3.3.1 SALSA算法 | 第27-28页 |
| 3.3.2 FTVd算法 | 第28-29页 |
| 3.4 本文算法 | 第29-32页 |
| 3.4.1 ALM算法求解各向同性全变分 | 第29-30页 |
| 3.4.2 ALM算法求解各向异性全变分 | 第30-32页 |
| 3.4.3 参数设定 | 第32页 |
| 3.5 本章小结 | 第32-34页 |
| 第四章 图像卡通纹理分解 | 第34-42页 |
| 4.1 前言 | 第34页 |
| 4.2 图像卡通纹理分解 | 第34-38页 |
| 4.3 实验仿真 | 第38-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第五章 卡通纹理分解结合TV模型复原图像 | 第42-54页 |
| 5.1 图像质量评价标准 | 第42-44页 |
| 5.1.1 图像质量的主观评价 | 第42-43页 |
| 5.1.2 图像质量的客观评价 | 第43-44页 |
| 5.2 实验仿真 | 第44-50页 |
| 5.3 结果分析 | 第50-52页 |
| 5.4 本章小结 | 第52-54页 |
| 第六章 结论 | 第54-56页 |
| 6.1 总结 | 第54-55页 |
| 6.2 展望 | 第55-56页 |
| 参考文献 | 第56-62页 |
| 攻读学位期间所取得的相关科研成果 | 第62-64页 |
| 致谢 | 第64页 |
