| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 压缩感知的研究背景及意义 | 第12-15页 |
| 1.1.1 字典学习的研究进展 | 第13-15页 |
| 1.1.2 重构算法的研究进展 | 第15页 |
| 1.2 光场成像的研究背景及意义 | 第15-17页 |
| 1.3 压缩光场成像的研究进展 | 第17页 |
| 1.4 本文的研究内容 | 第17-19页 |
| 第2章 基于K-SVD字典学习的压缩感知基本原理 | 第19-33页 |
| 2.1 引言 | 第19-20页 |
| 2.2 稀疏表示的基本理论 | 第20-24页 |
| 2.2.1 信号的稀疏表示 | 第20-21页 |
| 2.2.2 K-SVD字典学习算法 | 第21-24页 |
| 2.3 测量矩阵定理与条件 | 第24页 |
| 2.4 重构算法 | 第24-31页 |
| 2.4.1 求解l_0范数的贪婪算法 | 第25-28页 |
| 2.4.2 求解l_1范数的凸优化处理 | 第28-29页 |
| 2.4.3 稀疏贝叶斯重构算法 | 第29页 |
| 2.4.4 算法的对比与选择 | 第29-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第3章 基于改进K-SVD字典的强噪声图像去噪 | 第33-46页 |
| 3.1 引言 | 第33页 |
| 3.2 基于改进K-SVD字典的强噪声图像去噪模型 | 第33-39页 |
| 3.2.1 K-SVD字典自适应去噪 | 第33-35页 |
| 3.2.2 梯度重权非局部平均算法 | 第35-38页 |
| 3.2.3 基于K-SVD字典的梯度重权非局部平均去噪算法 | 第38-39页 |
| 3.3 实验结果与分析 | 第39-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 基于优化阈值估计的套索回归算法重构光场 | 第46-55页 |
| 4.1 引言 | 第46-47页 |
| 4.2 编码光场的采集 | 第47-48页 |
| 4.3 压缩光场重构 | 第48-51页 |
| 4.3.1 从投影中重构光场 | 第48-49页 |
| 4.3.2 基于K-SVD字典学习光场原子 | 第49-51页 |
| 4.4 优化阈值估计的套索回归(LASSO)算法 | 第51-54页 |
| 4.4.1 LARS算法原理 | 第51-53页 |
| 4.4.2 优化阈值估计与参数的选择 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 压缩光场重构 | 第55-63页 |
| 5.1 光场重构系统架构及软件实现 | 第55-56页 |
| 5.2 光场重构的实现与分析 | 第56-62页 |
| 5.3 本章小结 | 第62-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 参考文献 | 第65-72页 |
| 致谢 | 第72-73页 |
| 攻读学位期间参加的科研项目和成果 | 第73页 |