| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 符号表 | 第12-14页 |
| 第一章 绪论 | 第14-34页 |
| 1.1 研究背景及意义 | 第14-17页 |
| 1.2 问题描述及研究现状 | 第17-32页 |
| 1.2.1 稀疏恢复算法 | 第18-20页 |
| 1.2.2 投影矩阵设计 | 第20-25页 |
| 1.2.3 字典学习 | 第25-29页 |
| 1.2.4 基于联合稀疏模型的图像融合 | 第29-30页 |
| 1.2.5 融合图像的客观质量评价 | 第30-32页 |
| 1.3 存在的问题 | 第32页 |
| 1.4 本论文的研究内容与章节安排 | 第32-33页 |
| 1.5 本章小结 | 第33-34页 |
| 第二章 基于压缩感知的稀疏误差校正 | 第34-47页 |
| 2.1 引言 | 第34-35页 |
| 2.2 CS-based CAB模型 | 第35-36页 |
| 2.3 基于群智能的CS-based CAB中优化投影矩阵设计 | 第36-39页 |
| 2.4 数值实验 | 第39-46页 |
| 2.4.1 实验1 | 第39-44页 |
| 2.4.2 实验2 | 第44-46页 |
| 2.5 本章小结 | 第46-47页 |
| 第三章 基于低秩矩阵模型的优化投影矩阵设计 | 第47-64页 |
| 3.1 引言 | 第47-50页 |
| 3.2 投影矩阵的学习 | 第50-55页 |
| 3.2.1 点到凸集上的投影问题 | 第51-52页 |
| 3.2.2 低秩自相关矩阵问题 | 第52-55页 |
| 3.3 数值实验 | 第55-63页 |
| 3.3.1 合成信号实验 | 第55-58页 |
| 3.3.2 图像融合实验 | 第58-60页 |
| 3.3.3 图像去噪实验 | 第60-63页 |
| 3.4 本章小结 | 第63-64页 |
| 第四章 基于联合稀疏表示的图像融合中字典学 | 第64-82页 |
| 4.1 引言 | 第64-70页 |
| 4.1.1 基于SR/JSR的图像融合 | 第66-67页 |
| 4.1.2 基于JSR的图像融合新规则 | 第67页 |
| 4.1.3 广义JSM-1 | 第67-68页 |
| 4.1.4 适用于JSR的字典学习 | 第68-70页 |
| 4.2 基于JSR的字典学习算法 | 第70-74页 |
| 4.2.1 算法MODJSR | 第70-72页 |
| 4.2.2 算法MODJSR的复杂度分析 | 第72页 |
| 4.2.3 推广算法MODJSR到广义JSM-1 | 第72-74页 |
| 4.3 图像融合实验 | 第74-81页 |
| 4.3.1 实验1 | 第75-77页 |
| 4.3.2 实验2 | 第77-80页 |
| 4.3.3 实验3 | 第80-81页 |
| 4.4 本章小结 | 第81-82页 |
| 第五章 广义分布式压缩感知中的优化投影矩阵设计 | 第82-101页 |
| 5.1 引言 | 第82-84页 |
| 5.2 GDCS中的优化投影矩阵设计 | 第84-86页 |
| 5.3 分块稀疏模型中的优化投影矩阵设计 | 第86-87页 |
| 5.4 数值实验 | 第87-100页 |
| 5.4.1 合成信号实验 | 第88-96页 |
| 5.4.2 图像融合实验 | 第96-100页 |
| 5.5 本章小结 | 第100-101页 |
| 附录 | 第101-104页 |
| 结论 | 第104-106页 |
| 参考文献 | 第106-118页 |
| 攻读博士学位期间取得的研究成果 | 第118-120页 |
| 致谢 | 第120-121页 |
| 附件 | 第121页 |