基于稀疏贝叶斯学习的图像修复方法
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题研究背景及意义 | 第8-11页 |
| 1.1.1 图像修复技术研究背景 | 第8页 |
| 1.1.2 图像修复技术应用及意义 | 第8-11页 |
| 1.2 国内外研究现状及发展趋势 | 第11-12页 |
| 1.3 本文主要研究内容及结构安排 | 第12-14页 |
| 1.3.1 主要研究内容 | 第12页 |
| 1.3.2 本文的工作安排 | 第12-14页 |
| 第二章 稀疏贝叶斯学习理论基础 | 第14-20页 |
| 2.1 引言 | 第14页 |
| 2.2 稀疏表示理论 | 第14-16页 |
| 2.2.1 稀疏表示模型 | 第14-15页 |
| 2.2.2 稀疏表示模型求解 | 第15-16页 |
| 2.3 贝叶斯理论基础概念 | 第16-19页 |
| 2.3.1 贝叶斯统计 | 第16-17页 |
| 2.3.2 最大似然估计 | 第17-18页 |
| 2.3.3 贝叶斯估计 | 第18页 |
| 2.3.4 贝叶斯学习 | 第18-19页 |
| 2.4 稀疏贝叶斯学习应用 | 第19页 |
| 2.5 本章小结 | 第19-20页 |
| 第三章 图像修复算法研究 | 第20-32页 |
| 3.1 引言 | 第20页 |
| 3.2 TV修复模型 | 第20-23页 |
| 3.3 Criminisi图像修复算法 | 第23-25页 |
| 3.3.1 Criminisi图像修复算法 | 第23页 |
| 3.3.2 Criminisi图像修复算法流程 | 第23-25页 |
| 3.4 BPFA图像修复算法 | 第25-26页 |
| 3.5 实验结果分析 | 第26-31页 |
| 3.5.1 不同破损实验结果与分析 | 第26-29页 |
| 3.5.2 不同图像实验结果与分析 | 第29-31页 |
| 3.6 本章小结 | 第31-32页 |
| 第四章 改进的BPFA图像修复算法 | 第32-46页 |
| 4.1 引言 | 第32页 |
| 4.2 K-SVD字典学习算法 | 第32-33页 |
| 4.3 改进的BPFA算法 | 第33-37页 |
| 4.3.1 改进算法原理 | 第33页 |
| 4.3.2 改进算法求解 | 第33-36页 |
| 4.3.3 改进算法步骤 | 第36-37页 |
| 4.4 实验仿真与结果分析 | 第37-45页 |
| 4.4.1 不同噪声类型修复实验 | 第37-39页 |
| 4.4.2 不同破损图像修复实验 | 第39-41页 |
| 4.4.3 不同噪声程度修复实验 | 第41-43页 |
| 4.4.4 不同图像修复实验 | 第43-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 基于MCA的改进图像修复算法 | 第46-56页 |
| 5.1 引言 | 第46页 |
| 5.2 MCA原理 | 第46-48页 |
| 5.2.1 MCA分解原理 | 第46-47页 |
| 5.2.2 MCA分解流程 | 第47-48页 |
| 5.3 基于MCA的改进图像修复算法 | 第48-50页 |
| 5.3.1 模型建立 | 第48-49页 |
| 5.3.2 算法流程 | 第49-50页 |
| 5.4 实验结果分析 | 第50-55页 |
| 5.4.1 不同破损实验结果与分析 | 第50-53页 |
| 5.4.2 不同图像实验结果与分析 | 第53-55页 |
| 5.5 本章小结 | 第55-56页 |
| 第六章 结论 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 攻读学位期间所取得的相关科研成果 | 第62-64页 |
| 致谢 | 第64页 |
