| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第9-29页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-21页 |
| 1.2.1 图像融合研究现状 | 第10-16页 |
| 1.2.2 图像去噪研究现状 | 第16-19页 |
| 1.2.3 稀疏表示发展与现状 | 第19-21页 |
| 1.3 图像质量评价指标 | 第21-24页 |
| 1.4 存在的问题描述 | 第24-25页 |
| 1.5 主要研究工作与结构安排 | 第25-29页 |
| 1.5.1 主要研究工作 | 第25-27页 |
| 1.5.2 结构安排 | 第27-29页 |
| 2 稀疏表示理论简述 | 第29-41页 |
| 2.1 稀疏表示理论问题优化模型 | 第29-30页 |
| 2.2 模型求解 | 第30-36页 |
| 2.2.1 稀疏性度量 | 第30-32页 |
| 2.2.2 优化求解算法 | 第32-36页 |
| 2.3 稀疏表示框架下图像融合和去噪的本质过程 | 第36-38页 |
| 2.4 待解决问题分析 | 第38-39页 |
| 2.5 本章小结 | 第39-41页 |
| 3 基于结构聚类和稀疏表示的图像去噪 | 第41-57页 |
| 3.1 问题的提出 | 第41-42页 |
| 3.2 基于稀疏表示和结构聚类的图像去噪 | 第42-51页 |
| 3.2.1 图像相似块组学习策略 | 第43-47页 |
| 3.2.2 自适应正则化模型构建 | 第47-48页 |
| 3.2.3 数值求解 | 第48-51页 |
| 3.3 实验结果及其分析 | 第51-55页 |
| 3.4 本章小结 | 第55-57页 |
| 4 基于压缩感知理论的多源图像融合 | 第57-85页 |
| 4.1 问题的提出 | 第57-58页 |
| 4.2 压缩感知基本理论 | 第58-62页 |
| 4.2.1 稀疏表示 | 第60页 |
| 4.2.2 测量矩阵 | 第60-61页 |
| 4.2.3 重构算法 | 第61-62页 |
| 4.3 基于多融合策略与测量矩阵优化的压缩感知图像融合 | 第62-73页 |
| 4.3.1 融合策略 | 第63-67页 |
| 4.3.2 测量矩阵优化 | 第67-70页 |
| 4.3.3 稀疏变换基与重构算法 | 第70-72页 |
| 4.3.4 融合过程描述 | 第72-73页 |
| 4.4 实验结果与分析 | 第73-84页 |
| 4.4.1 融合实验与分析 | 第74-84页 |
| 4.4.2 分析总结 | 第84页 |
| 4.5 本章小结 | 第84-85页 |
| 5 基于卡通-纹理稀疏分解的多聚焦图像融合 | 第85-117页 |
| 5.1 问题的提出 | 第85-86页 |
| 5.2 基于卡通-纹理稀疏分解的图像融合 | 第86-103页 |
| 5.2.1 卡通-纹理分解的稀疏表达模型构建 | 第87-99页 |
| 5.2.2 融合策略 | 第99-103页 |
| 5.3 实验结果及其分析 | 第103-116页 |
| 5.3.1 融合实验与分析 | 第104-115页 |
| 5.3.2 分析总结 | 第115-116页 |
| 5.4 本章小结 | 第116-117页 |
| 6 结论和展望 | 第117-121页 |
| 6.1 总结 | 第117-118页 |
| 6.2 创新之处 | 第118页 |
| 6.3 研究展望 | 第118-121页 |
| 致谢 | 第121-123页 |
| 参考文献 | 第123-133页 |
| 附录 | 第133-135页 |
| A. 作者在攻读博士学位期间发表的论文目录 | 第133-134页 |
| B. 作者在攻读博士学位期间获得专利列表 | 第134页 |
| C. 作者在攻读博士学位期间参加的科研项目 | 第134页 |
| D. 作者在攻读博士学位期间参加的学术会议情况 | 第134-135页 |