变分模型和稀疏冗余表示在图像恢复中的应用研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-10页 |
| 目录 | 第10-13页 |
| 插图目录 | 第13-16页 |
| 表格目录 | 第16-17页 |
| 第1章 绪论 | 第17-29页 |
| ·图像恢复的研究背景及意义 | 第17-19页 |
| ·图像恢复模型简介 | 第19-20页 |
| ·图像先验知识的表达 | 第20-25页 |
| ·分段光滑性 | 第20-21页 |
| ·变换系数的稀疏性 | 第21-23页 |
| ·冗余字典表示系数的稀疏性 | 第23-25页 |
| ·本文的研究内容与结构安排 | 第25-29页 |
| 第2章 变分模型和稀疏冗余表示的相关基础知识 | 第29-39页 |
| ·变分模型 | 第29-30页 |
| ·稀疏冗余表示中的关键技术 | 第30-38页 |
| ·稀疏编码 | 第32-34页 |
| ·字典训练 | 第34-38页 |
| ·本章小结 | 第38-39页 |
| 第3章 高比率冲击噪声污染图像的恢复算法研究 | 第39-61页 |
| ·引言 | 第39-41页 |
| ·冲击噪声模型 | 第41页 |
| ·关键算法的回顾与分析 | 第41-44页 |
| ·自适应中心加权中值滤波器 | 第41-43页 |
| ·细节保持的变分图像恢复模型 | 第43-44页 |
| ·基于噪声分级决策的细节保持变分恢复方法 | 第44-51页 |
| ·噪声分级决策 | 第44-47页 |
| ·正则化参数可调的细节保持变分模型及解的求取 | 第47-49页 |
| ·在未知噪声比率的情况下估计p的一种方法 | 第49-51页 |
| ·所提算法之总结 | 第51页 |
| ·实验与讨论 | 第51-59页 |
| ·图像恢复的性能测试 | 第53-56页 |
| ·噪声检测的性能测试 | 第56页 |
| ·算法效率的比较 | 第56-57页 |
| ·所提算法在卫星图像恢复中的潜在应用 | 第57-59页 |
| ·本章小结 | 第59-61页 |
| 第4章 混合噪声污染图像的恢复算法研究 | 第61-89页 |
| ·引言 | 第61-63页 |
| ·混合噪声模型 | 第63页 |
| ·贝叶斯噪声分类器 | 第63-67页 |
| ·初始恢复图像的获取 | 第64-65页 |
| ·混合噪声的分类 | 第65-67页 |
| ·自适应冗余字典的训练 | 第67-70页 |
| ·训练样本集的构建 | 第67页 |
| ·Masked K-SVD字典训练算法 | 第67-70页 |
| ·基于稀疏冗余表示的变分恢复模型 | 第70-74页 |
| ·变分模型的构建 | 第70-71页 |
| ·变分模型的求解 | 第71-73页 |
| ·所提算法之总结与应用扩展 | 第73-74页 |
| ·实验与讨论 | 第74-86页 |
| ·噪声分类器的性能测试 | 第75-77页 |
| ·图像恢复的性能测试 | 第77-82页 |
| ·几点讨论 | 第82-84页 |
| ·算法的时耗 | 第84-85页 |
| ·应用扩展实例 | 第85-86页 |
| ·本章小结 | 第86-89页 |
| 第5章 低分辨率图像的恢复算法研究 | 第89-109页 |
| ·引言 | 第89-90页 |
| ·低分辨率图像的退化模型 | 第90-91页 |
| ·所提算法框架结构 | 第91-95页 |
| ·ESR算法精髓 | 第91-92页 |
| ·所提算法的流程 | 第92-94页 |
| ·算法在基于稀疏表示的变分恢复模型下的阐释 | 第94-95页 |
| ·算法细节 | 第95-99页 |
| ·图像块的分类 | 第95-97页 |
| ·边缘块的扩展 | 第97页 |
| ·冗余字典对的快速构建 | 第97-99页 |
| ·稀疏度可调的OMP算法 | 第99页 |
| ·实验与讨论 | 第99-107页 |
| ·SR重建的性能测试 | 第101-105页 |
| ·训练字典的性能测试 | 第105-106页 |
| ·讨论 | 第106-107页 |
| ·本章小结 | 第107-109页 |
| 第6章 总结与展望 | 第109-113页 |
| ·工作总结 | 第109-110页 |
| ·未来展望 | 第110-113页 |
| 参考文献 | 第113-121页 |
| 致谢 | 第121-123页 |
| 博士在读期间科研成果 | 第123页 |
