基于稀疏和低秩表示的OCT图像去噪算法研究
| 摘要 | 第11-14页 |
| ABSTRACT | 第14-17页 |
| 符号说明 | 第18-20页 |
| 第一章 绪论 | 第20-34页 |
| 1.1 研究背景与意义 | 第20-23页 |
| 1.1.1 研究背景 | 第20-22页 |
| 1.1.2 研究意义 | 第22-23页 |
| 1.2 研究现状 | 第23-32页 |
| 1.2.1 基于硬件的技术 | 第23-24页 |
| 1.2.2 基于软件的技术 | 第24-32页 |
| 1.3 论文的组织结构 | 第32-34页 |
| 第二章 预备知识 | 第34-42页 |
| 2.1 多线性代数的基本概念 | 第34-36页 |
| 2.2 Tucker分解 | 第36-39页 |
| 2.3 张量奇异值分解 | 第39-42页 |
| 第三章 基于自适应2D字典的OCT去散斑算法 | 第42-60页 |
| 3.1 引言 | 第42-43页 |
| 3.2 基于2D稀疏表示的去散斑算法 | 第43-51页 |
| 3.2.1 图像块分组 | 第44-45页 |
| 3.2.2 自适应2D字典学习 | 第45-50页 |
| 3.2.3 图像块聚合 | 第50-51页 |
| 3.3 实验结果 | 第51-58页 |
| 3.4 本章小结 | 第58-60页 |
| 第四章 基于MPCA的多帧OCT去噪算法 | 第60-76页 |
| 4.1 引言 | 第60-61页 |
| 4.2 PCA去噪 | 第61-62页 |
| 4.3 模型与算法 | 第62-67页 |
| 4.3.1 3D块分组 | 第63页 |
| 4.3.2 MPCA变换 | 第63-65页 |
| 4.3.3 收缩,逆MPCA变换和聚合 | 第65-66页 |
| 4.3.4 迭代正则化 | 第66-67页 |
| 4.4 实验结果与分析 | 第67-75页 |
| 4.4.1 猪眼数据的实验结果 | 第73-74页 |
| 4.4.2 人眼视网膜数据的实验结果 | 第74-75页 |
| 4.5 本章小结 | 第75-76页 |
| 第五章 基于T-SVD的OCT去噪算法 | 第76-92页 |
| 5.1 引言 | 第76-77页 |
| 5.2 T-SVD分解算法 | 第77-81页 |
| 5.3 张量核范数与算法 | 第81-85页 |
| 5.4 实验结果与分析 | 第85-90页 |
| 5.5 本章小结 | 第90-92页 |
| 第六章 两阶段多帧OCT去噪算法 | 第92-108页 |
| 6.1 问题的提出 | 第92-93页 |
| 6.2 基于T-SVD的张量分解算法 | 第93-95页 |
| 6.3 两阶段OCT去噪算法Ⅰ | 第95-96页 |
| 6.4 两阶段OCT去噪算法Ⅱ | 第96-100页 |
| 6.4.1 低秩矩阵逼近去噪 | 第96-97页 |
| 6.4.2 低秩张量逼近去噪 | 第97-100页 |
| 6.5 实验结果与分析 | 第100-106页 |
| 6.6 本章小结 | 第106-108页 |
| 第七章 总结与展望 | 第108-112页 |
| 7.1 本文工作总结 | 第108-109页 |
| 7.2 未来工作展望 | 第109-112页 |
| 参考文献 | 第112-128页 |
| 致谢 | 第128-130页 |
| 攻读博士学位期间完成论文情况 | 第130页 |
| 参加科研项目情况 | 第130-132页 |
| 学位论文评阅及答辩情况表 | 第132页 |
