| 摘要 | 第4-7页 |
| Abstract | 第7-10页 |
| 第1章 绪论 | 第28-44页 |
| 1.1 研究背景及意义 | 第28-33页 |
| 1.2 图像复原的研究内容 | 第33-37页 |
| 1.2.1 图像修补 | 第34页 |
| 1.2.2 图像去模糊 | 第34-35页 |
| 1.2.3 图像去噪 | 第35-36页 |
| 1.2.4 图像分辨率增强 | 第36-37页 |
| 1.2.5 图像压缩感知重建 | 第37页 |
| 1.3 图像复原的研究热点 | 第37-40页 |
| 1.4 论文的主要研究内容及章节安排 | 第40-44页 |
| 第2章 国内外研究现状 | 第44-66页 |
| 2.1 引言 | 第44页 |
| 2.2 图像先验模型的研究现状 | 第44-53页 |
| 2.2.1 图像局部平滑模型 | 第44-47页 |
| 2.2.2 图像非局部自相似模型 | 第47-49页 |
| 2.2.3 图像稀疏表示模型 | 第49-53页 |
| 2.3 图像复原问题的研究现状 | 第53-63页 |
| 2.3.1 图像修补 | 第53-55页 |
| 2.3.2 图像去模糊 | 第55-56页 |
| 2.3.3 图像混合高斯-脉冲噪声去除 | 第56-57页 |
| 2.3.4 图像超分辨率 | 第57-60页 |
| 2.3.5 图像压缩感知重建 | 第60-63页 |
| 2.4 图像质量的评价方法 | 第63-66页 |
| 2.4.1 主观评价方法 | 第64页 |
| 2.4.2 客观评价方法 | 第64-66页 |
| 第3章 基于空间-变换域上联合稀疏统计模型的图像复原 | 第66-90页 |
| 3.1 引言 | 第66页 |
| 3.2 联合统计模型的构造 | 第66-71页 |
| 3.2.1 刻画空间域平滑性的局部统计模型 | 第67-68页 |
| 3.2.2 刻画变换域自相似性的非局部统计模型 | 第68-70页 |
| 3.2.3 联合统计模型 | 第70-71页 |
| 3.3 联合统计模型的优化求解 | 第71-78页 |
| 3.3.1 U子问题求解 | 第74-75页 |
| 3.3.2 W子问题求解 | 第75页 |
| 3.3.3 X子问题求解 | 第75-78页 |
| 3.3.4 算法整体描述 | 第78页 |
| 3.4 实验结果 | 第78-89页 |
| 3.4.1 利用图像部分随机点进行修补 | 第79-82页 |
| 3.4.2 图像中文字去除 | 第82-83页 |
| 3.4.3 图像去模糊 | 第83-85页 |
| 3.4.4 图像中混合高斯和椒盐噪声去除 | 第85-86页 |
| 3.4.5 参数优化 | 第86-88页 |
| 3.4.6 算法复杂度和计算时间 | 第88页 |
| 3.4.7 算法收敛性和鲁棒性 | 第88-89页 |
| 3.5 小结 | 第89-90页 |
| 第4章 基于图像结构组稀疏表示模型的图像复原 | 第90-117页 |
| 4.1 引言 | 第90页 |
| 4.2 图像结构组的构造 | 第90-91页 |
| 4.3 结构组稀疏表示模型 | 第91-92页 |
| 4.4 自适应结构组字典学习 | 第92-94页 |
| 4.5 基于SGSR模型L0范数最小化求解 | 第94-99页 |
| 4.5.1 U子问题求解 | 第95-96页 |
| 4.5.2 G-子问题求解 | 第96-99页 |
| 4.5.3 算法整体描述 | 第99页 |
| 4.6 实验结果 | 第99-116页 |
| 4.6.1 图像修补 | 第100-103页 |
| 4.6.2 图像去模糊 | 第103-108页 |
| 4.6.3 图像压缩感知重建 | 第108-111页 |
| 4.6.4 块匹配数目的影响 | 第111-112页 |
| 4.6.5 正则化参数影响 | 第112-113页 |
| 4.6.6 算法复杂度和计算时间 | 第113页 |
| 4.6.7 算法稳定性 | 第113-114页 |
| 4.6.8 L0与L1优化对比 | 第114-115页 |
| 4.6.9 SBI与IST对比 | 第115-116页 |
| 4.7 小结 | 第116-117页 |
| 第5章 基于L0范数自适应学习稀疏基的压缩感知重建 | 第117-137页 |
| 5.1 引言 | 第117页 |
| 5.2 图像压缩感知背景 | 第117-118页 |
| 5.3 基于L0范数自适应学习稀疏基的图像压缩感知重建 | 第118-123页 |
| 5.3.1 基于图像块的稀疏表示 | 第118页 |
| 5.3.2 L0范数图像压缩感知重建框架 | 第118-119页 |
| 5.3.3 L0最小化问题的优化求解 | 第119-122页 |
| 5.3.4 自适应稀疏基学习 | 第122-123页 |
| 5.3.5 提出算法总结 | 第123页 |
| 5.4 实验结果 | 第123-135页 |
| 5.4.1 块重叠间距的影响 | 第124-125页 |
| 5.4.2 稀疏基选择的影响 | 第125-126页 |
| 5.4.3 SBI和IST方法对比 | 第126-128页 |
| 5.4.4 跟主流算法对比 | 第128-134页 |
| 5.4.5 算法复杂度和时间 | 第134-135页 |
| 5.4.6 算法稳定性 | 第135页 |
| 5.5 小结 | 第135-137页 |
| 第6章 基于双重字典学习和稀疏表示的图像超分辨率 | 第137-150页 |
| 6.1 引言 | 第137页 |
| 6.2 提出的图像超分辨率算法 | 第137-143页 |
| 6.2.1 字典学习阶段 | 第138-141页 |
| 6.2.2 图像合成阶段 | 第141-143页 |
| 6.3 实验结果 | 第143-149页 |
| 6.4 小结 | 第149-150页 |
| 结论 | 第150-153页 |
| 本文工作总结 | 第150-151页 |
| 下一步研究工作展望 | 第151-153页 |
| 参考文献 | 第153-164页 |
| 攻读博士学位期间发表的学术论文 | 第164-168页 |
| 致谢 | 第168-170页 |
| 个人简历 | 第170-171页 |
