| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第8-17页 |
| 1.1 选题背景及研究意义 | 第8-9页 |
| 1.2 研究现状及难点问题 | 第9-15页 |
| 1.2.1 国内外研究现状 | 第10-14页 |
| 1.2.2 研究的难点问题 | 第14-15页 |
| 1.3 本文的主要工作及内容安排 | 第15-17页 |
| 1.3.1 本文主要工作 | 第15页 |
| 1.3.2 本文结构安排 | 第15-17页 |
| 2 稀疏表示相关理论 | 第17-27页 |
| 2.1 引言 | 第17页 |
| 2.2 稀疏表示基本理论 | 第17-19页 |
| 2.2.1 稀疏表示模型 | 第18页 |
| 2.2.2 几何解释 | 第18-19页 |
| 2.3 基于稀疏表示的图像识别 | 第19-22页 |
| 2.3.1 图像数据的子空间特性 | 第20页 |
| 2.3.2 基于稀疏表示的图像识别准则 | 第20-21页 |
| 2.3.3 基于稀疏表示的监督分类 | 第21-22页 |
| 2.3.4 基于稀疏表示的非监督分类 | 第22页 |
| 2.4 稀疏表示理论应用 | 第22-26页 |
| 2.4.1 信号处理中的应用 | 第23-24页 |
| 2.4.2 图像去噪的应用 | 第24-25页 |
| 2.4.3 图像压缩的应用 | 第25-26页 |
| 2.4.4 图像分离的应用 | 第26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 数据驱动的自适应卷积稀疏表示模型与算法 | 第27-40页 |
| 3.1 引言 | 第27-28页 |
| 3.2 运动模糊模型 | 第28页 |
| 3.3 数据驱动的自适应卷积稀疏表示模型 | 第28-30页 |
| 3.4 基于交替方向法的组稀疏优化 | 第30-39页 |
| 3.4.1 符号和问题公式化 | 第30-31页 |
| 3.4.2 基于ADM的一阶原始与对偶算法 | 第31-34页 |
| 3.4.3 方法扩展 | 第34-37页 |
| 3.4.4 联合稀疏 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 4 实验与结果分析 | 第40-50页 |
| 4.1 引言 | 第40页 |
| 4.2 实验数据集 | 第40-42页 |
| 4.2.1 哥伦比亚图像数据库(COIL-20) | 第40-41页 |
| 4.2.2 Extended Yale Face Database B | 第41页 |
| 4.2.3 AR数据库 | 第41-42页 |
| 4.3 相关参数的设置 | 第42-45页 |
| 4.3.1 特征维数参数 | 第42-43页 |
| 4.3.2 模板大小的影响 | 第43-44页 |
| 4.3.3 训练样本大小的影响 | 第44-45页 |
| 4.4 模型算法对图像模糊的适应性 | 第45-48页 |
| 4.4.1 高斯白噪声模糊 | 第45-47页 |
| 4.4.2 图像运动模糊 | 第47-48页 |
| 4.5 本章小结 | 第48-50页 |
| 5 总结与展望 | 第50-52页 |
| 5.1 本文工作总结 | 第50页 |
| 5.2 未来工作展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 附录 | 第58页 |
| A. 作者在攻读学位期间内发表的论文目录 | 第58页 |
| B. 作者在攻读学位期间内参加的科研项目 | 第58页 |