基于修正TGV正则的图像放大模型及快速算法
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 专用术语注释表 | 第9-10页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 图像处理概述 | 第10-11页 |
| 1.2 图像放大的意义 | 第11-12页 |
| 1.3 图像处理的噪声模型 | 第12-16页 |
| 1.3.1 从噪声和信号之间的关系划分 | 第12-13页 |
| 1.3.2 从概率密度函数划分 | 第13-16页 |
| 1.3.3 从噪声产生的原因划分 | 第16页 |
| 1.4 本文的主要工作 | 第16-18页 |
| 第二章 图像处理中的主要模型和算法 | 第18-32页 |
| 2.1 偏微分方程理论 | 第18-20页 |
| 2.2 模型介绍 | 第20-27页 |
| 2.2.1 P-M模型 | 第20-22页 |
| 2.2.2 TV(ROF)模型 | 第22页 |
| 2.2.3 图像修复模型 | 第22-24页 |
| 2.2.4 TGV模型 | 第24-25页 |
| 2.2.5 LLT模型 | 第25-27页 |
| 2.3 快速算法 | 第27-31页 |
| 2.3.1 Split Bregman算法 | 第27-28页 |
| 2.3.2 对偶算法 | 第28-30页 |
| 2.3.3 梯度投影法 | 第30页 |
| 2.3.4 ADMM算法 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于加权TGV模型图像放大 | 第32-38页 |
| 3.1 基于加权TGV的图像放大模型 | 第32-33页 |
| 3.1.1 Chambolle图像放大模型 | 第32页 |
| 3.1.2 二阶TGV图像放大模型 | 第32-33页 |
| 3.1.3 新模型 | 第33页 |
| 3.2 数值算法 | 第33-35页 |
| 3.3 数值实验结果与分析 | 第35-37页 |
| 3.3.1 评价标准 | 第35-36页 |
| 3.3.2 数值结果与分析 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 基于非凸TGV正则的图像放大模型 | 第38-43页 |
| 4.1 非凸TGV图像放大模型 | 第38页 |
| 4.2 数值算法 | 第38-40页 |
| 4.3 数值实验 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第五章 基于修正TGV正则的天文图像放大模型 | 第43-48页 |
| 5.1 模型介绍 | 第43-45页 |
| 5.1.1 基于二阶TGV的图像放大模型 | 第43-44页 |
| 5.1.2 基于加权TGV的图像放大模型 | 第44页 |
| 5.1.3 基于非凸TGV的图像放大模型 | 第44-45页 |
| 5.2 利用TGV正则实现天文图像放大数值实验 | 第45-47页 |
| 5.3 本章小结 | 第47-48页 |
| 第六章 总结与展望 | 第48-50页 |
| 6.1 总结 | 第48-49页 |
| 6.2 展望 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第53-54页 |
| 致谢 | 第54页 |
