| 中文摘要 | 第13-16页 |
| 英文摘要 | 第16-19页 |
| 第一章 绪论 | 第24-42页 |
| §1.1 研究背景及意义 | 第24-26页 |
| §1.2 多光谱成像系统 | 第26页 |
| §1.3 多光谱图像数据噪声模型 | 第26-28页 |
| §1.3.1 高斯噪声模型 | 第26-27页 |
| §1.3.2 泊松噪声模型 | 第27-28页 |
| §1.3.3 高斯噪声和泊松噪声混合噪声模型 | 第28页 |
| §1.4 多光谱图像去噪技术研究现状 | 第28-34页 |
| §1.4.1 基于滤波的方法 | 第28-29页 |
| §1.4.2 基于小波的方法 | 第29-30页 |
| §1.4.3 基于统计的方法 | 第30页 |
| §1.4.4 基于偏微分方程的方法 | 第30-31页 |
| §1.4.5 基于张量的方法 | 第31-32页 |
| §1.4.6 基于稀疏的方法 | 第32-33页 |
| §1.4.7 基于低秩的方法 | 第33-34页 |
| §1.4.8 亮度-色度空间转换方法 | 第34页 |
| §1.5 相关算法 | 第34-40页 |
| §1.5.1 主成分分析算法 | 第34-35页 |
| §1.5.2 非局部均值滤波 | 第35-36页 |
| §1.5.3 奇异值分解 | 第36-37页 |
| §1.5.4 低秩矩阵逼近与相关算法 | 第37-38页 |
| §1.5.5 张量基本概念及其基本运算 | 第38-39页 |
| §1.5.6 字典学习 | 第39页 |
| §1.5.7 图像质量评价指标 | 第39-40页 |
| §1.6 论文的组织结构 | 第40-42页 |
| 第二章 基于主成分分析的图像去噪算法 | 第42-64页 |
| §2.1 引言 | 第42页 |
| §2.2 局部像素分组与块匹配 | 第42-44页 |
| §2.2.1 局部像素分组 | 第42-43页 |
| §2.2.2 块匹配 | 第43-44页 |
| §2.3 基于主成分分析引导的自相似滤波图像去噪算法 | 第44-49页 |
| §2.3.1 计算投影矩阵 | 第44-45页 |
| §2.3.2 系数收缩 | 第45-46页 |
| §2.3.3 聚合 | 第46页 |
| §2.3.4 噪声估计 | 第46-47页 |
| §2.3.5 具有引导图像的非局部均值滤波 | 第47页 |
| §2.3.6 基于主成分分析引导的自相似滤波图像去噪算法流程 | 第47-49页 |
| §2.4 基于主成分分析和迭代正则化的彩色图像去噪算法 | 第49-51页 |
| §2.4.1 计算投影矩阵 | 第49页 |
| §2.4.2 系数收缩 | 第49-50页 |
| §2.4.3 正则化 | 第50页 |
| §2.4.4 噪声估计 | 第50页 |
| §2.4.5 基于主成分分析和迭代正则化的彩色图像去噪算法流程 | 第50-51页 |
| §2.5 实验结果与分析 | 第51-62页 |
| §2.5.1 主成分分析引导的自相似滤波图像去噪算法在灰度图像上的去噪结果 | 第51-56页 |
| §2.5.1.1 本文方法的三阶段去噪性能比较 | 第52-53页 |
| §2.5.1.2 本文方法与其它方法的去噪性能比较 | 第53-56页 |
| §2.5.2 基于主成分分析和迭代正则化的彩色图像去噪算法在彩色图像上的去噪结果 | 第56-62页 |
| §2.5.2.1 本文方法的两阶段去噪性能比较 | 第56-57页 |
| §2.5.2.2 本文方法与其它方法的去噪性能比较 | 第57-62页 |
| §2.6 本章小结 | 第62-64页 |
| 第三章 基于混合阈值SVD的多通道彩色图像去噪算法 | 第64-80页 |
| §3.1 引言 | 第64页 |
| §3.2 基于混合阈值收缩的SVD算法 | 第64-69页 |
| §3.2.1 硬阈值收缩 | 第64-65页 |
| §3.2.2 软阈值收缩 | 第65-67页 |
| §3.2.3 混合阈值收缩 | 第67-69页 |
| §3.3 基于多通道HTSVD的彩色图像去噪算法 | 第69-73页 |
| §3.3.1 多通道HTSVD | 第69-70页 |
| §3.3.2 权值矩阵W的设置 | 第70-71页 |
| §3.3.3 模型优化 | 第71-73页 |
| §3.4 实验结果与分析 | 第73-79页 |
| §3.5 本章小结 | 第79-80页 |
| 第四章 基于多尺度张量字典学习的多光谱图像去噪算法 | 第80-100页 |
| §4.1 引言 | 第80页 |
| §4.2 张量字典 | 第80-82页 |
| §4.3 多尺度框架 | 第82页 |
| §4.4 多尺度张量字典去噪算法Ⅰ | 第82-88页 |
| §4.4.1 多尺度张量字典的初始化 | 第84-85页 |
| §4.4.2 稀疏编码 | 第85页 |
| §4.4.3 字典更新 | 第85-86页 |
| §4.4.4 去噪 | 第86-88页 |
| §4.5 多尺度张量字典去噪算法Ⅱ | 第88-92页 |
| §4.5.1 张量字典的初始化 | 第88-89页 |
| §4.5.2 稀疏编码 | 第89页 |
| §4.5.3 字典更新 | 第89页 |
| §4.5.4 多尺度化张量字典 | 第89-90页 |
| §4.5.5 去噪 | 第90-92页 |
| §4.6 实验结果与分析 | 第92-99页 |
| §4.6.1 “CAVE”多光谱数据库实验结果分析 | 第92-93页 |
| §4.6.2 多尺度张量字典结构分析 | 第93-99页 |
| §4.7 本章小结 | 第99-100页 |
| 第五章 基于加权Schatten p-范数最小化的多光谱图像去噪算法 | 第100-116页 |
| §5.1 引言 | 第100页 |
| §5.2 WSNM算法 | 第100-102页 |
| §5.3 基于WSNM的多光谱图像去噪算法 | 第102-105页 |
| §5.3.1 基于WSNM的去噪算法在三维图像中的应用 | 第102-104页 |
| §5.3.2 基于WSNM的去噪算法在多光谱数据中的应用 | 第104-105页 |
| §5.4 实验结果与分析 | 第105-106页 |
| §5.5 本章小结 | 第106-116页 |
| 第六章 总结与展望 | 第116-118页 |
| §6.1 总结 | 第116-117页 |
| §6.2 存在问题与展望 | 第117-118页 |
| 参考文献 | 第118-132页 |
| 致谢 | 第132-134页 |
| 攻读博士学位期间完成的论文情况 | 第134-135页 |
| 攻读博士学位期间参加科研项目情况 | 第135-136页 |
| 学位论文评阅及答辩情况表 | 第136页 |
