| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 稀疏表示 | 第10-11页 |
| 1.2.2 图像去噪 | 第11-13页 |
| 1.3 图像去噪效果的客观评价方法 | 第13-14页 |
| 1.4 本文的主要研究内容及其结构安排 | 第14-17页 |
| 1.4.1 本文的主要研究内容 | 第14页 |
| 1.4.2 本文的结果安排 | 第14-17页 |
| 第二章 稀疏表示理论基础 | 第17-29页 |
| 2.1 信号的稀疏表示 | 第17-18页 |
| 2.2 稀疏分解问题 | 第18-21页 |
| 2.2.1 稀疏分解算法 | 第18-19页 |
| 2.2.2 算法性能比较 | 第19页 |
| 2.2.3 正交匹配追踪算法 | 第19-21页 |
| 2.3 字典构造问题 | 第21-27页 |
| 2.3.1 字典学习方法 | 第21-22页 |
| 2.3.2 MOD字典学习算法 | 第22-23页 |
| 2.3.3 K-SVD字典学习算法 | 第23-24页 |
| 2.3.4 算法性能分析 | 第24-27页 |
| 2.4 稀疏表示在实际图像处理领域中的应用 | 第27-28页 |
| 2.4.1 人脸识别 | 第27页 |
| 2.4.2 目标追踪 | 第27页 |
| 2.4.3 图像修复 | 第27-28页 |
| 2.4.4 压缩感知 | 第28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 典型去噪算法研究 | 第29-39页 |
| 3.1 传统的去噪方法 | 第29-31页 |
| 3.2 基于稀疏表示和字典学习的图像去噪方法 | 第31-35页 |
| 3.2.1 基于贝叶斯最大后验估计的图像稀疏模型 | 第31-32页 |
| 3.2.2 基于学习字典的稀疏表示去噪模型 | 第32-33页 |
| 3.2.3 实验结果与分析 | 第33-35页 |
| 3.4 全变分去噪方法 | 第35-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 基于改进K-SVD字典与全变分正则项约束的图像去噪方法 | 第39-53页 |
| 4.1 引言 | 第39-40页 |
| 4.2 改进的K-SVD字典训练方法 | 第40-44页 |
| 4.2.1 增广拉格朗日方法 | 第40-41页 |
| 4.2.2 稀疏编码 | 第41-43页 |
| 4.2.3 改进的字典训练方法 | 第43-44页 |
| 4.3 实验结果与分析 | 第44-46页 |
| 4.4 基于改进K-SVD字典和全变分约束的图像去噪方法 | 第46-48页 |
| 4.4.1 模型概述 | 第47页 |
| 4.4.2 模型求解方法 | 第47-48页 |
| 4.5 实验结果与分析 | 第48-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第五章 基于增广拉格朗日方法的图像去噪方法 | 第53-69页 |
| 5.1 基于增广拉格朗日方法的稀疏表示图像去噪方法 | 第53-56页 |
| 5.1.1 模型概述 | 第53页 |
| 5.1.2 模型求解方法 | 第53-56页 |
| 5.2 实验结果与分析 | 第56-62页 |
| 5.3 基于增广拉格朗日方法和全变分约束的图像去噪方法 | 第62-64页 |
| 5.3.1 模型概述 | 第62页 |
| 5.3.2 模型求解方法 | 第62-64页 |
| 5.4 实验结果与分析 | 第64-68页 |
| 5.5 本章小结 | 第68-69页 |
| 第六章 结论 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 今后研究工作 | 第70-71页 |
| 参考文献 | 第71-77页 |
| 攻读学位期间所取得的相关科研成果 | 第77-79页 |
| 致谢 | 第79页 |
