| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-27页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 图像复原与低剂量CT重建的基本原理 | 第12-15页 |
| 1.2.1. 图像复原的基本原理 | 第12-13页 |
| 1.2.2. 低剂量CT重建的基本原理 | 第13-14页 |
| 1.2.3. 图像复原与图像重建的区别与联系 | 第14-15页 |
| 1.3 国内外研究现状及趋势分析 | 第15-23页 |
| 1.3.1. 压缩感知的研究现状 | 第15-16页 |
| 1.3.2. 基于稀疏准则的图像复原研究现状 | 第16-18页 |
| 1.3.3. 基于稀疏字典表示的图像复原研究现状 | 第18-19页 |
| 1.3.4. 基于稀疏准则的低剂量CT重建研究现状 | 第19-23页 |
| 1.4 论文研究内容及结构安排 | 第23-27页 |
| 1.4.1. 研究内容 | 第23-24页 |
| 1.4.2. 相关论文结构安排 | 第24-27页 |
| 第二章 基于局部与非局部均值诱导的双重稀疏图像复原算法 | 第27-49页 |
| 2.1 本章前言 | 第27-28页 |
| 2.2 基于相关加速的快速非局部均值去噪算法 | 第28-36页 |
| 2.2.1. 经典的非局部均值去噪算法 | 第28-30页 |
| 2.2.2. 基于相关加速的非局部均值快速算法 | 第30-34页 |
| 2.2.3. 计算复杂度分析 | 第34-35页 |
| 2.2.4. 实验设计与分析 | 第35-36页 |
| 2.3 Split Bregman迭代算法 | 第36-39页 |
| 2.3.1. Bregman距离与Bregman迭代算法 | 第36-38页 |
| 2.3.2. Split Bregman算法 | 第38-39页 |
| 2.4 基于局部与非局部均值诱导的双重稀疏图像复原算法 | 第39-43页 |
| 2.4.1. 基于稀疏准则的图像复原模型 | 第39-40页 |
| 2.4.2. 基于局部与非局部均值诱导的双重稀疏图像复原算法(L-NL) | 第40页 |
| 2.4.3. 基于Split Bregman的算法优化 | 第40-43页 |
| 2.5 实验与结果分析 | 第43-46页 |
| 2.6 本章小结 | 第46-49页 |
| 第三章 基于局部与字典表示诱导的双重稀疏图像复原算法 | 第49-63页 |
| 3.1 本章前言 | 第49-50页 |
| 3.2 OMP与K-SVD算法 | 第50-55页 |
| 3.2.1. 匹配追踪(MP)算法 | 第50-52页 |
| 3.2.2. 正交匹配追踪(OMP)算法 | 第52-53页 |
| 3.2.3. K-SVD字典训练算法 | 第53-55页 |
| 3.3 基于局部与字典表示诱导的双重稀疏图像复原算法 | 第55-59页 |
| 3.3.1. 基于自适应字典学习的图像去噪算法 | 第55-56页 |
| 3.3.2. 基于局部与字典表示诱导的双重稀疏图像复原算法(L-DR) | 第56页 |
| 3.3.3. 基于Split Bregman的优化算法 | 第56-59页 |
| 3.4 实验与结果分析 | 第59-61页 |
| 3.5 本章小结 | 第61-63页 |
| 第四章 基于Gamma准则的稀疏角度CT重建 | 第63-85页 |
| 4.1 本章前言 | 第63-64页 |
| 4.2 基于准则的稀疏角度重建 | 第64-67页 |
| 4.2.1. 准则重建模型 | 第64-66页 |
| 4.2.2. 提出的Gamma准则模型 | 第66-67页 |
| 4.3 优化算法 | 第67-70页 |
| 4.4 实验设计与分析 | 第70-82页 |
| 4.4.1. 仿真数据实验设计与分析 | 第70-71页 |
| 4.4.2. 仿真数据的视觉评价 | 第71-74页 |
| 4.4.3. 仿真结果的数量分析 | 第74-76页 |
| 4.4.4. 临床骨盆数据实验 | 第76-81页 |
| 4.4.5. Gamma模型参数分析 | 第81-82页 |
| 4.4.6. 收敛分析 | 第82页 |
| 4.4.7. 计算复杂度分析 | 第82页 |
| 4.5 本章小结 | 第82-85页 |
| 第五章 基于自适应Gamma准则的低剂量CT重建 | 第85-105页 |
| 5.1 本章前言 | 第85页 |
| 5.2 低剂量CT重建模型 | 第85-89页 |
| 5.2.1. 统计重建模型 | 第85-87页 |
| 5.2.2. Gamma准则加权最小方模型 | 第87-89页 |
| 5.3 优化算法 | 第89-93页 |
| 5.3.1. 算法描述 | 第89-91页 |
| 5.3.2. Gamma参数设置 | 第91-93页 |
| 5.4 实验结果与分析 | 第93-102页 |
| 5.4.1. 数字体模的仿真实验 | 第94-98页 |
| 5.4.2. Catphan 600实验 | 第98-101页 |
| 5.4.3. 收敛性分析 | 第101页 |
| 5.4.4. Gamma准则模型中的形状参数a的敏感度分析 | 第101页 |
| 5.4.5. 与其它l_0重建算法的比较 | 第101-102页 |
| 5.5 本章小结 | 第102-105页 |
| 第六章 总结与展望 | 第105-109页 |
| 6.1 本文工作的总结 | 第105-106页 |
| 6.2 对未来工作的展望 | 第106-109页 |
| 致谢 | 第109-111页 |
| 参考文献 | 第111-127页 |
| 附录 A | 第127-131页 |
| 攻读博士期间撰写的学术论文 | 第131页 |
