| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 1 绪论 | 第11-14页 |
| 1.1 研究背景与意义 | 第11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 本文研究内容及研究工作 | 第12页 |
| 1.4 本文结构安排 | 第12-13页 |
| 1.5 本章小结 | 第13-14页 |
| 2 数字化修复相关理论和技术 | 第14-30页 |
| 2.1 数字化图像修复概述 | 第14-19页 |
| 2.1.1 基于纹理修复 | 第16-17页 |
| 2.1.2 基于非纹理修复 | 第17-19页 |
| 2.2 形态学图像处理 | 第19-20页 |
| 2.3 图像复原 | 第20-27页 |
| 2.3.1 图像去噪 | 第21-22页 |
| 2.3.2 基于纹理合成的图像修复算法 | 第22-27页 |
| 2.3.2.1 纹理方向的计算 | 第23-24页 |
| 2.3.2.2 模板窗口大小的自适应选择 | 第24-25页 |
| 2.3.2.3 基于纹理合成的图像修复算法的基本步骤 | 第25-27页 |
| 2.4 数字图像修复算法的评价 | 第27-29页 |
| 2.4.1 主观评价方法 | 第27-28页 |
| 2.4.2 客观评价方法 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 3 人工神经网络 | 第30-38页 |
| 3.1 神经网络概述 | 第30-33页 |
| 3.1.1 神经网络的基本概念 | 第30页 |
| 3.1.2 人工神经网络的结构 | 第30-32页 |
| 3.1.3 神经网络的应用 | 第32-33页 |
| 3.2 广义回归神经网络 | 第33-37页 |
| 3.2.1 GRNN神经网络概述 | 第33-34页 |
| 3.2.2 GRNN的网络结构 | 第34-35页 |
| 3.2.3 GRNN神经网络的设计 | 第35-37页 |
| 3.3 本章小结 | 第37-38页 |
| 4 基于广义回归神经网络的敦煌壁画修复研究 | 第38-48页 |
| 4.1 图像预处理 | 第38-39页 |
| 4.1.1 形态学膨胀壁画图像预处理 | 第38页 |
| 4.1.2 各向异性扩散壁画图像预处理 | 第38-39页 |
| 4.2 广义回归神经网络壁画修复实现 | 第39-41页 |
| 4.3 相似块测度方法 | 第41-43页 |
| 4.4 实验结果分析 | 第43-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 总结与展望 | 第48-49页 |
| 5.1 论文工作总结 | 第48页 |
| 5.2 未来展望 | 第48-49页 |
| 6 参考文献 | 第49-52页 |
| 7 攻读硕士学位期间发表的论文 | 第52-53页 |
| 致谢 | 第53页 |