| 摘要 | 第5-8页 |
| Abstract | 第8-11页 |
| 第1章 绪论 | 第21-36页 |
| 1.1 研究背景及意义 | 第21-22页 |
| 1.2 稀疏表示理论 | 第22-26页 |
| 1.2.1 稀疏分解 | 第22-24页 |
| 1.2.2 字典构建 | 第24-26页 |
| 1.3 图像恢复和识别 | 第26-33页 |
| 1.3.1 图像去噪 | 第26-28页 |
| 1.3.2 图像超分辨率 | 第28-30页 |
| 1.3.3 图像压缩 | 第30-31页 |
| 1.3.4 图像识别 | 第31-33页 |
| 1.4 论文主要研究内容 | 第33-36页 |
| 第2章 面向图像去噪的随机精化稀疏分解算法 | 第36-50页 |
| 2.1 引言 | 第36-37页 |
| 2.2 MMSE估计模型和ROMP算法 | 第37-38页 |
| 2.3 RROMP算法 | 第38-41页 |
| 2.3.1 RROMP算法主要流程 | 第38-40页 |
| 2.3.2 多原子精化选择 | 第40-41页 |
| 2.4 实验结果 | 第41-49页 |
| 2.4.1 高斯噪声干扰的仿真信号去噪 | 第42-44页 |
| 2.4.2 高斯噪声干扰的自然图像去噪 | 第44-48页 |
| 2.4.3 斑点噪声干扰的自然图像去噪 | 第48-49页 |
| 2.5 本章小节 | 第49-50页 |
| 第3章 面向医学图像去噪的结构化稀疏字典构建 | 第50-76页 |
| 3.1 引言 | 第50-52页 |
| 3.1.1 快速结构字典学习及三维医学图像去噪应用 | 第50-51页 |
| 3.1.2 多尺度结构字典学习及光学相干层析图像去噪应用 | 第51-52页 |
| 3.2 快速结构字典学习及三维医学图像去噪应用 | 第52-66页 |
| 3.2.1 快速结构字典学习 | 第52-56页 |
| 3.2.2 三维医学去噪应用 | 第56-58页 |
| 3.2.3 仿真信号实验 | 第58-60页 |
| 3.2.4 三维医学去噪实验 | 第60-66页 |
| 3.3 多尺度结构字典学习及光学相干层析图像去噪应用 | 第66-74页 |
| 3.3.1 多尺度结构字典学习 | 第66-67页 |
| 3.3.2 光学相干层析图像去噪应用 | 第67-69页 |
| 3.3.3 实验结果 | 第69-74页 |
| 3.4 本章小节 | 第74-76页 |
| 第4章 面向OCT图像同步去噪和超分辨率的半耦合双稀疏字典构建 | 第76-95页 |
| 4.1 引言 | 第76-77页 |
| 4.2 耦合双字典学习及图像超分辨率应用 | 第77-78页 |
| 4.3 半耦合双字典学习及OCT图像同步超分辨和去噪应用 | 第78-84页 |
| 4.3.1 半耦合双字典学习 | 第78-82页 |
| 4.3.2. 结构化聚类 | 第82-83页 |
| 4.3.3. 3D OCT图像重构应用 | 第83-84页 |
| 4.4 实验结果 | 第84-94页 |
| 4.4.1 算法参数 | 第85页 |
| 4.4.2 测试数据 | 第85-86页 |
| 4.4.3 量化评价指标 | 第86页 |
| 4.4.4 人眼视网膜仿真OCT图像实验 | 第86-91页 |
| 4.4.5 人眼视网膜真实OCT图像实验 | 第91-94页 |
| 4.4.6 老鼠视网膜真实OCT图像实验 | 第94页 |
| 4.5 本章小节 | 第94-95页 |
| 第5章 面向OCT图像压缩的 3D自适应稀疏分解算法 | 第95-114页 |
| 5.1 引言 | 第95-96页 |
| 5.2 基于稀疏表示的 2D图像压缩 | 第96-97页 |
| 5.3 所提出 3D-ASRC算法及OCT图像压缩应用 | 第97-102页 |
| 5.3.1 3D自适应稀疏表示 | 第98-101页 |
| 5.3.2 3D自适应编码 | 第101-102页 |
| 5.3.3 解码和图像重构 | 第102页 |
| 5.4 实验结果 | 第102-112页 |
| 5.4.1 测试数据集 | 第102-103页 |
| 5.4.2 算法参数 | 第103-104页 |
| 5.4.3 量化指标 | 第104页 |
| 5.4.4 人眼视网膜SDOCT图像的实验 | 第104-110页 |
| 5.4.5 老鼠视网膜SDOCT图像的实验 | 第110-112页 |
| 5.5 本章小节 | 第112-114页 |
| 第6章 面向高光谱图像地物识别的多尺度自适应稀疏分解和辨识性稀疏字典学习构建 | 第114-138页 |
| 6.1 引言 | 第114-116页 |
| 6.1.1 基于多尺度自适应稀疏表示的HSI地物识别方法 | 第115页 |
| 6.1.2 基于辨识性字典学习的HSI地物识别方法 | 第115-116页 |
| 6.2 基于稀疏表示的HSI地物识别方法和辨识性K-SVD稀疏字典学习算法 | 第116-120页 |
| 6.2.1 基于稀疏表示的HSI地物识别方法 | 第116-118页 |
| 6.2.2 辨识性K-SVD稀疏字典学习算法 | 第118-120页 |
| 6.3 基于多尺度自适应稀疏分解算法的HSI地物分类 | 第120-123页 |
| 6.3.1 HSI中的多尺度空间信息 | 第120页 |
| 6.3.2 多尺度自适应稀疏求解 | 第120-123页 |
| 6.4 基于辨识性字典学习的HSI地物识别 | 第123-126页 |
| 6.4.1 辨识性字典学习 | 第123-124页 |
| 6.4.2. 超像素稀疏表示模型 | 第124-125页 |
| 6.4.3 基于辨识性字典的超像素识别 | 第125-126页 |
| 6.5 实验结果 | 第126-137页 |
| 6.5.1 测试数据描述 | 第127-128页 |
| 6.5.2 量化指标 | 第128-129页 |
| 6.5.3 实验结果比较 | 第129-135页 |
| 6.5.4 区域尺度对算法影响 | 第135-136页 |
| 6.5.5 超像素个数对算法影响 | 第136-137页 |
| 6.6 本章小节 | 第137-138页 |
| 第7章 面向人脸识别的多任务自适应稀疏分解算法 | 第138-154页 |
| 7.1 引言 | 第138-140页 |
| 7.2 相关工作 | 第140-141页 |
| 7.2.1 基于稀疏表示分类(SRC)的人脸识别 | 第140页 |
| 7.2.2 Gabor小波 | 第140-141页 |
| 7.3 所提出的人脸识别方法 | 第141-146页 |
| 7.3.1 Gabor特征的多任务稀疏表示模型 | 第141-142页 |
| 7.3.2 多任务自适应稀疏表示模型 | 第142-145页 |
| 7.3.3 基于结构-残差权值(SRW)的自适应区域融合 | 第145-146页 |
| 7.4 实验结果 | 第146-153页 |
| 7.4.1 数据描述 | 第147页 |
| 7.4.2 参数设置 | 第147-148页 |
| 7.4.3 无遮挡和噪声干扰下的人脸识别 | 第148-150页 |
| 7.4.4 遮挡下的人脸识别 | 第150-152页 |
| 7.4.5 遮挡和噪声干扰下的人脸识别 | 第152-153页 |
| 7.5 本章小节 | 第153-154页 |
| 第8章 总结与展望 | 第154-158页 |
| 8.1 总结 | 第154-156页 |
| 8.2 展望 | 第156-158页 |
| 参考文献 | 第158-178页 |
| 致谢 | 第178-180页 |
| 附录A 攻读学位期间以第一作者所发表的学术论文 | 第180-182页 |
| 附录B 攻读学位期间参与的科研项目及所获奖励 | 第182页 |
