| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第15-33页 |
| 1.1 课题研究背景及意义 | 第15-18页 |
| 1.2 图像复原方法的发展与现状 | 第18-29页 |
| 1.2.1 传统图像复原方法 | 第20-22页 |
| 1.2.2 基于稀疏表示的图像复原方法 | 第22-26页 |
| 1.2.3 基于卷积神经网络的图像复原方法 | 第26-28页 |
| 1.2.4 关键技术及难点 | 第28-29页 |
| 1.3 本文的主要工作和成果 | 第29-30页 |
| 1.4 本文的章节内容和结构安排 | 第30-33页 |
| 第2章 图像复原与光学景深基础理论 | 第33-53页 |
| 2.1 引言 | 第33页 |
| 2.2 图像复原基础理论 | 第33-46页 |
| 2.2.1 图像退化原因 | 第33-34页 |
| 2.2.2 图像退化模型 | 第34-35页 |
| 2.2.3 图像退化点扩散函数 | 第35-38页 |
| 2.2.4 图像复原算法 | 第38-46页 |
| 2.3 光学系统景深及其相关的基础理论 | 第46-51页 |
| 2.3.1 波像差基础理论 | 第47-48页 |
| 2.3.2 光学系统的景深 | 第48-51页 |
| 2.4 本章小结 | 第51-53页 |
| 第3章 基于字典学习空间定位方法的图像去模糊方法研究 | 第53-91页 |
| 3.1 引言 | 第53页 |
| 3.2 图像复原物空间点扩散函数的采样间隔 | 第53-57页 |
| 3.3 离焦点扩散函数获取方法 | 第57-70页 |
| 3.3.1 离焦模糊点扩散函数估计方法 | 第57-59页 |
| 3.3.2 利用CODEV光学设计软件快速获取点扩散函数 | 第59-70页 |
| 3.4 图像复原模型及工作原理 | 第70-78页 |
| 3.4.1 先验点扩散函数 | 第71-73页 |
| 3.4.2 图像复原模型的字典 | 第73-76页 |
| 3.4.3 模糊图像复原 | 第76-78页 |
| 3.5 实验结果与分析 | 第78-89页 |
| 3.5.1 仿真实验 | 第79-87页 |
| 3.5.2 实际相机测试结果 | 第87-89页 |
| 3.6 本章小结 | 第89-91页 |
| 第4章 基于多重字典空间定位方法的图像去模糊方法研究 | 第91-103页 |
| 4.1 引言 | 第91页 |
| 4.2 图像复原模型及工作原理 | 第91-97页 |
| 4.2.1 图像复原模型的字典 | 第94-97页 |
| 4.2.2 模糊图像复原 | 第97页 |
| 4.3 实验结果与分析 | 第97-102页 |
| 4.3.1 算法验证的参数设置 | 第97-98页 |
| 4.3.2 算法验证实验与分析 | 第98-100页 |
| 4.3.3 实际图像复原 | 第100-102页 |
| 4.4 本章小结 | 第102-103页 |
| 第5章 卷积神经网络方法识别功能的扩展应用 | 第103-111页 |
| 5.1 引言 | 第103-104页 |
| 5.2 卷积神经网络训练样本 | 第104-106页 |
| 5.2.1 先验点扩散函数的分类 | 第104-105页 |
| 5.2.2 训练样本集与验证样本集 | 第105-106页 |
| 5.3 图像复原模型及工作原理 | 第106-108页 |
| 5.4 实验结果与分析 | 第108-110页 |
| 5.4.1 算法验证的参数设置 | 第108页 |
| 5.4.2 算法验证实验与分析 | 第108-110页 |
| 5.5 本章小结 | 第110-111页 |
| 第6章 总结与展望 | 第111-113页 |
| 6.1 工作总结 | 第111-112页 |
| 6.2 主要创新点 | 第112页 |
| 6.3 工作展望 | 第112-113页 |
| 参考文献 | 第113-123页 |
| 致谢 | 第123-125页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第125页 |
