| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 课题的研究目的和意义 | 第8-9页 |
| 1.2 国内外相关领域开发及应用现状分析 | 第9-12页 |
| 1.2.1 自然图像光滑性先验模型 | 第10页 |
| 1.2.2 自然图像统计性先验模型 | 第10-11页 |
| 1.2.3 自然图像稀疏性先验模型 | 第11-12页 |
| 1.3 论文主要研究内容 | 第12-13页 |
| 1.4 论文内容及结构 | 第13-15页 |
| 第2章 统计性先验和稀疏性先验模型 | 第15-30页 |
| 2.1 前言 | 第15页 |
| 2.2 基于自然图像统计性先验的专家场模型 | 第15-24页 |
| 2.2.1 基本模型 | 第15-17页 |
| 2.2.2 专家函数 | 第17-18页 |
| 2.2.3 模型的数学性质 | 第18-19页 |
| 2.2.4 对比散度学习 | 第19-22页 |
| 2.2.5 基于 FoE 模型的推理 | 第22-23页 |
| 2.2.6 FoE 图像去噪 | 第23-24页 |
| 2.3 基于稀疏性先验的 K-SVD 模型 | 第24-29页 |
| 2.3.1 稀疏表示模型 | 第24-25页 |
| 2.3.2 K-SVD 算法 | 第25-29页 |
| 2.3.3 K-SVD 图像去噪 | 第29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 FoE 滤波器和 K-SVD 稀疏基之间关系的研究 | 第30-44页 |
| 3.1 前言 | 第30页 |
| 3.2 自然图像统计性先验分析 | 第30-32页 |
| 3.3 自然图像稀疏性先验分析 | 第32-33页 |
| 3.4 FoE 滤波器和 K-SVD 稀疏基各自代表的自然图像的成分 | 第33-37页 |
| 3.5 自适应滤波器算法 | 第37-38页 |
| 3.6 实验结果 | 第38-43页 |
| 3.7 本章小结 | 第43-44页 |
| 第4章 联合统计性先验和稀疏性先验的模型 | 第44-55页 |
| 4.1 前言 | 第44页 |
| 4.2 主成分投影算法 | 第44-47页 |
| 4.3 联合统计性先验和稀疏性先验的模型 | 第47-49页 |
| 4.4 实验结果 | 第49-53页 |
| 4.5 本章小结 | 第53-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 攻读学位期间发表的论文及研究成果 | 第61-63页 |
| 致谢 | 第63页 |