基于区域划分的稀疏表示去噪算法研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 课题研究背景及意义 | 第12页 |
| 1.2 国内外发展现状 | 第12-18页 |
| 1.2.1 图像去噪研究现状 | 第12-15页 |
| 1.2.2 稀疏表示研究现状 | 第15-17页 |
| 1.2.3 现阶段存在的问题 | 第17-18页 |
| 1.3 本文主要工作和章节安排 | 第18-20页 |
| 1.3.1 主要工作内容 | 第18页 |
| 1.3.2 本文组织结构 | 第18-20页 |
| 第2章 稀疏表示基本理论 | 第20-41页 |
| 2.1 引言 | 第20页 |
| 2.2 稀疏表示理论 | 第20-25页 |
| 2.2.1 稀疏表示 | 第20-21页 |
| 2.2.2 稀疏分解算法 | 第21-24页 |
| 2.2.3 字典构造 | 第24-25页 |
| 2.3 图像去噪方法 | 第25-34页 |
| 2.3.1 含噪模型 | 第25页 |
| 2.3.2 传统的去噪方法 | 第25-28页 |
| 2.3.3 非局部均值图像去噪 | 第28-30页 |
| 2.3.4 K-SVD去噪 | 第30-34页 |
| 2.3.5 算法流程图 | 第34页 |
| 2.4 去噪结果评价指标 | 第34-36页 |
| 2.4.1 主观评价法 | 第35页 |
| 2.4.2 客观评价法 | 第35-36页 |
| 2.5 实验结果与分析 | 第36-40页 |
| 2.6 本章小结 | 第40-41页 |
| 第3章 基于区域划分的稀疏表示去噪算法 | 第41-64页 |
| 3.1 引言 | 第41页 |
| 3.2 图像去噪算法概述 | 第41-46页 |
| 3.2.1 基于聚类的稀疏表示(CSR)去噪算法 | 第41-42页 |
| 3.2.2 梯度直方图估计(GHP)方法 | 第42-43页 |
| 3.2.3 不同去噪算法分析 | 第43-46页 |
| 3.3 基于区域划分的图像去噪算法 | 第46-52页 |
| 3.3.1 图像边缘信息测度描述 | 第46-48页 |
| 3.3.2 基于方向性信息测度区域划分 | 第48-52页 |
| 3.4 不同类型去噪算法结合 | 第52-56页 |
| 3.4.1 NLM算法和Global字典算法结合 | 第52-53页 |
| 3.4.2 CSR算法和GHP算法结合 | 第53-54页 |
| 3.4.3 具体步骤 | 第54-55页 |
| 3.4.4 算法流程图 | 第55-56页 |
| 3.5 实验结果与分析 | 第56-63页 |
| 3.5.1 NLM和Global相结合实验结果 | 第56-59页 |
| 3.5.2 CSR和GHP相结合实验结果 | 第59-63页 |
| 3.6 本章小结 | 第63-64页 |
| 第4章 基于改进聚类特征的CSR算法 | 第64-84页 |
| 4.1 引言 | 第64页 |
| 4.2 尺度空间理论 | 第64-68页 |
| 4.2.1 尺度空间概述 | 第64-65页 |
| 4.2.2 尺度空间的数学定义 | 第65-66页 |
| 4.2.3 图像金字塔 | 第66-68页 |
| 4.3 CSR算法模型介绍 | 第68-70页 |
| 4.4 模型求解 | 第70-72页 |
| 4.4.1 K均值聚类方法 | 第70-71页 |
| 4.4.2 稀疏系数求解 | 第71-72页 |
| 4.5 基于CSR算法的改进 | 第72-77页 |
| 4.5.1 非下采样高斯差分金字塔多尺度分解 | 第72-77页 |
| 4.6 算法流程 | 第77-79页 |
| 4.6.1 字典学习 | 第78页 |
| 4.6.2 深层编码 | 第78-79页 |
| 4.7 实验结果与分析 | 第79-82页 |
| 4.8 本章小结 | 第82-84页 |
| 第5章 总结与展望 | 第84-85页 |
| 5.1 本文主要工作总结 | 第84页 |
| 5.2 未来工作展望 | 第84-85页 |
| 参考文献 | 第85-89页 |
| 致谢 | 第89-90页 |
| 作者简介 | 第90页 |
