基于自适应字典学习的稀疏重构算法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状及发展趋势 | 第9-10页 |
| 1.2.1 国内外研究现状 | 第9-10页 |
| 1.2.2 发展趋势 | 第10页 |
| 1.3 本文主要研究内容及结构安排 | 第10-12页 |
| 1.3.1 主要研究内容 | 第10-11页 |
| 1.3.2 全文结构安排 | 第11-12页 |
| 第二章 稀疏表示理论 | 第12-18页 |
| 2.1 引言 | 第12页 |
| 2.2 稀疏表示理论基础 | 第12-13页 |
| 2.3 稀疏表示模型及求解算法 | 第13-15页 |
| 2.3.1 稀疏表示模型 | 第13-14页 |
| 2.3.2 稀疏表示求解算法 | 第14-15页 |
| 2.4 稀疏表示的应用 | 第15-16页 |
| 2.4.1 图像去噪 | 第15页 |
| 2.4.2 图像超分辨率重建 | 第15页 |
| 2.4.3 图像修复 | 第15-16页 |
| 2.4.4 图像压缩 | 第16页 |
| 2.5 本章小结 | 第16-18页 |
| 第三章 字典学习算法研究 | 第18-30页 |
| 3.1 引言 | 第18页 |
| 3.2 稀疏编码算法 | 第18-22页 |
| 3.2.1 基追踪算法 | 第19页 |
| 3.2.2 匹配追踪算法 | 第19-20页 |
| 3.2.3 正交匹配追踪算法 | 第20-22页 |
| 3.3 字典训练算法 | 第22-26页 |
| 3.3.1 MOD算法 | 第23-24页 |
| 3.3.2 KSVD算法 | 第24-26页 |
| 3.4 实验结果及分析 | 第26-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第四章 改进的K-SVD字典学习算法 | 第30-42页 |
| 4.1 引言 | 第30页 |
| 4.2 基于ALM-KSVD的字典学习 | 第30-36页 |
| 4.2.1 稀疏编码 | 第31-33页 |
| 4.2.2 字典更新 | 第33页 |
| 4.2.3 实验结果及分析 | 第33-36页 |
| 4.3 非负限定的基于ALM-KSVD的字典学习 | 第36-41页 |
| 4.3.1 非负稀疏编码 | 第37-38页 |
| 4.3.2 非负字典更新 | 第38-39页 |
| 4.3.3 实验结果及分析 | 第39-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第五章 基于ALM-KSVD字典学习的图像去噪 | 第42-48页 |
| 5.1 引言 | 第42页 |
| 5.2 ALM-KSVD框架下的图像去噪 | 第42-43页 |
| 5.3 图像去噪实验结果及分析 | 第43-46页 |
| 5.4 本章小结 | 第46-48页 |
| 第六章 结论 | 第48-50页 |
| 6.1 总结 | 第48-49页 |
| 6.2 展望 | 第49-50页 |
| 参考文献 | 第50-56页 |
| 攻读学位期间所取得的相关科研成果 | 第56-58页 |
| 致谢 | 第58页 |
