| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第1章 绪论 | 第13-27页 |
| 1.1 论文的研究背景与意义 | 第13-14页 |
| 1.2 稀疏表示理论的发展概述 | 第14-23页 |
| 1.2.1 稀疏表示的神经学原理 | 第14-15页 |
| 1.2.2 小波变换 | 第15-16页 |
| 1.2.3 多尺度几何分析方法 | 第16-17页 |
| 1.2.4 过完备字典稀疏表示方法 | 第17-19页 |
| 1.2.5 稀疏表示方法在图像处理中的应用的研究现状 | 第19-23页 |
| 1.3 本文主要研究内容及章节安排 | 第23-27页 |
| 第2章 稀疏表示理论基础 | 第27-39页 |
| 2.1 信号的稀疏表示模型 | 第27-28页 |
| 2.2 多尺度几何稀疏逼近 | 第28-34页 |
| 2.2.1 从傅里叶变换到小波变换 | 第28-30页 |
| 2.2.2 多尺度几何分析 | 第30-34页 |
| 2.3 超完备字典稀疏表示 | 第34-37页 |
| 2.3.1 稀疏字典学习 | 第34-36页 |
| 2.3.2 稀疏编码 | 第36页 |
| 2.3.3 字典学习方法的特点总结 | 第36-37页 |
| 2.4 本章小结 | 第37-39页 |
| 第3章 基于多尺度稀疏表示的图像融合 | 第39-59页 |
| 3.1 图像融合背景及意义 | 第39-40页 |
| 3.2 多尺度图像融合 | 第40-47页 |
| 3.2.1 基本方案 | 第40-41页 |
| 3.2.2 多尺度融合规则 | 第41-44页 |
| 3.2.3 融合图像的评价指标 | 第44-47页 |
| 3.3 现有多尺度图像融合算法 | 第47-52页 |
| 3.3.1 基于金字塔的图像融合 | 第47-48页 |
| 3.3.2 基于双树复小波的跨尺度梯度测度融合算法 | 第48-50页 |
| 3.3.3 基于循环平移SFLCT的清晰度测度图像融合 | 第50-52页 |
| 3.4 基于Non-subsampled Contoulet的熵测度图像融合算法 | 第52-58页 |
| 3.4.1 熵权值测度 | 第53-55页 |
| 3.4.2 算法融合规则 | 第55页 |
| 3.4.3 实验结果与分析 | 第55-58页 |
| 3.5 本章小结 | 第58-59页 |
| 第4章 基于多尺度稀疏表示的图像增强 | 第59-73页 |
| 4.1 引言 | 第59页 |
| 4.2 基于照度区域划分的多尺度图像增强 | 第59-65页 |
| 4.2.1 LIP视觉模型 | 第60-61页 |
| 4.2.2 基于LIP的照度划分 | 第61-62页 |
| 4.2.3 多尺度增强算法的探究 | 第62-63页 |
| 4.2.4 基于照度划分的多尺度增强 | 第63-64页 |
| 4.2.5 实验结果与分析 | 第64-65页 |
| 4.3 基于多尺度的Retinex多曝光图像序列增强 | 第65-71页 |
| 4.3.1 Retinex模型 | 第66页 |
| 4.3.2 多曝光图像增强算法 | 第66-69页 |
| 4.3.3 实验结果与分析 | 第69-71页 |
| 4.4 本章小结 | 第71-73页 |
| 第5章 基于稀疏字典学习的图像压缩重构 | 第73-101页 |
| 5.1 引言 | 第73页 |
| 5.2 字典学习基本原理 | 第73-76页 |
| 5.3 稀疏编码方法 | 第76-81页 |
| 5.3.1 匹配追踪算法 | 第76-77页 |
| 5.3.2 正则化FOCUSS算法 | 第77-79页 |
| 5.3.3 基追踪算法 | 第79-81页 |
| 5.4 典型的字典学习算法 | 第81-91页 |
| 5.4.1 最优方向法 | 第81-84页 |
| 5.4.2 概率模型法 | 第84-86页 |
| 5.4.3 联合基字典学习 | 第86-87页 |
| 5.4.4 K-SVD字典学习算法 | 第87-91页 |
| 5.5 基于压缩传感的字典学习算法 | 第91-99页 |
| 5.5.1 压缩传感研究现状 | 第92页 |
| 5.5.2 压缩传感中的稀疏字典 | 第92-94页 |
| 5.5.3 压缩传感中的字典学习 | 第94-97页 |
| 5.5.4 实验结果与分析 | 第97-99页 |
| 5.6 本章小结 | 第99-101页 |
| 第6章 基于稀疏正则化的图像复原 | 第101-123页 |
| 6.1 引言 | 第101页 |
| 6.2 图像复原模型的理论及研究现状 | 第101-103页 |
| 6.3 典型的图像复原算法 | 第103-112页 |
| 6.3.1 基于曲线波的自适应阈值图像复原 | 第103-106页 |
| 6.3.2 基于Split Bregman的全变差图像复原 | 第106-110页 |
| 6.3.3 基于稀疏正则化的图像复原 | 第110-112页 |
| 6.4 双先验约束正则化图像复原 | 第112-122页 |
| 6.4.1 Split Bregman迭代方法 | 第113-116页 |
| 6.4.2 非局部均值思想 | 第116-117页 |
| 6.4.3 双先验约束正则化复原算法 | 第117-120页 |
| 6.4.4 实验结果与分析 | 第120-122页 |
| 6.5 本章小结 | 第122-123页 |
| 结论 | 第123-125页 |
| 参考文献 | 第125-138页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第138-139页 |
| 致谢 | 第139页 |
