基于稀疏字典学习的图像重构模型研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文的结构和主要工作 | 第11-13页 |
| 2 数学预备知识 | 第13-23页 |
| 2.1 引言 | 第13-14页 |
| 2.2 解的稀疏性分析 | 第14-16页 |
| 2.3 压缩感知基本理论 | 第16-20页 |
| 2.3.1 信号的稀疏表示 | 第17页 |
| 2.3.2 压缩感知框架 | 第17-18页 |
| 2.3.3 测量矩阵 | 第18-19页 |
| 2.3.4 重构算法 | 第19-20页 |
| 2.4 凸优化模型 | 第20-23页 |
| 3 稀疏表示理论 | 第23-32页 |
| 3.1 引言 | 第23页 |
| 3.2 稀疏编码 | 第23-26页 |
| 3.2.1 基追踪算法 | 第24页 |
| 3.2.2 匹配追踪算法 | 第24-25页 |
| 3.2.3 正交匹配追踪算法 | 第25-26页 |
| 3.3 字典学习 | 第26-31页 |
| 3.3.1 字典学习的核心问题 | 第26-27页 |
| 3.3.2 MOD算法 | 第27-28页 |
| 3.3.3 K-SVD算法 | 第28-31页 |
| 3.4 小结 | 第31-32页 |
| 4 基于熵约束字典学习和加权TV图像重构算法 | 第32-40页 |
| 4.1 引言 | 第32页 |
| 4.2 基于熵约束字典学习和加权TV重构模型 | 第32-35页 |
| 4.2.1 基于熵约束的字典学习正则项 | 第32-33页 |
| 4.2.2 加权TV正则项 | 第33-34页 |
| 4.2.3 基于熵约束和加权TV重构模型 | 第34-35页 |
| 4.3 模型求解 | 第35-36页 |
| 4.4 仿真实验 | 第36-39页 |
| 4.5 小结 | 第39-40页 |
| 5 基于低秩分解和高斯尺度混合的图像重构算法 | 第40-50页 |
| 5.1 引言 | 第40页 |
| 5.2 卡通纹理分解重构模型 | 第40-45页 |
| 5.2.1 卡通部分的优化 | 第41-42页 |
| 5.2.2 高斯尺度混合稀疏编码 | 第42-44页 |
| 5.2.3 基于低秩分解和高斯混合图像重构算法 | 第44-45页 |
| 5.3 模型求解 | 第45-47页 |
| 5.4 仿真实验 | 第47-49页 |
| 5.5 小结 | 第49-50页 |
| 6 结语 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 攻读硕士学位期间发表论文 | 第54-55页 |
| 致谢 | 第55页 |
