| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第8-10页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景和意义 | 第10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 图像质量评价方法 | 第12页 |
| 1.4 本文的创新点及结构安排 | 第12-15页 |
| 第二章 稀疏表示在图像重构中的应用 | 第15-24页 |
| 2.1 噪声模型 | 第15-16页 |
| 2.2 稀疏表示原理 | 第16-17页 |
| 2.3 稀疏表示的发展 | 第17-19页 |
| 2.4 稀疏表示中的相关算法 | 第19-21页 |
| 2.5 K-SVD字典学习算法 | 第21-22页 |
| 2.6 K-SVD算法流程 | 第22-23页 |
| 2.7 本章小结 | 第23-24页 |
| 第三章 改进的K-SVD算法 | 第24-31页 |
| 3.1 K-SVD算法的不足 | 第24页 |
| 3.2 AK-SVD算法 | 第24-25页 |
| 3.3 改进的K-SVD算法 | 第25-28页 |
| 3.3.1 K-SVD算法正则化模型 | 第25-27页 |
| 3.3.2 正则化模型下AK-SVD算法 | 第27页 |
| 3.3.3 正则化模型下AK-SVD算法的流程 | 第27-28页 |
| 3.4 实验结果与分析 | 第28-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 自适应终止的SOS去噪增强算法 | 第31-40页 |
| 4.1 常见的去噪增强算法 | 第31-32页 |
| 4.2 SOS去噪增强算法 | 第32-34页 |
| 4.2.1 SOS算法的可行性 | 第32-33页 |
| 4.2.2 SOS算法的收敛性 | 第33-34页 |
| 4.3 SOS算法的使用方法 | 第34-35页 |
| 4.4 SOS算法的不足 | 第35-36页 |
| 4.5 自适应终止的SOS算法 | 第36-37页 |
| 4.6 实验结果与分析 | 第37-38页 |
| 4.7 本章小结 | 第38-40页 |
| 第五章 基于正则化AK-SVD算法的SOS增强算法 | 第40-54页 |
| 5.1 字典学习算法用于图像重构 | 第40-42页 |
| 5.1.1 基于稀疏表示的图像重构 | 第40-41页 |
| 5.1.2 正则化AK-SVD字典学习算法用于图像重构 | 第41-42页 |
| 5.2 基于正则化AK-SVD图像重构的SOS算法 | 第42-47页 |
| 5.2.1 AK-SVD矩阵变换式 | 第42-43页 |
| 5.2.2 图像边缘的处理方法 | 第43-44页 |
| 5.2.3 正则化AK-SVD算法与SOS算法的结合 | 第44-46页 |
| 5.2.4 基于正则化AK-SVD的SOS算法流程 | 第46-47页 |
| 5.3 实验结果与分析 | 第47-52页 |
| 5.4 本章小结 | 第52-54页 |
| 第六章 总结与展望 | 第54-57页 |
| 6.1 本文总结 | 第54-55页 |
| 6.2 展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第60-61页 |
| 附录2 实验仿真的部分代码 | 第61-65页 |
| 致谢 | 第65页 |
