| 中文摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-13页 |
| ·图像盲源分离的研究背景和意义 | 第9页 |
| ·图像盲源分离的发展历史与存在的问题 | 第9-11页 |
| ·图像盲源分离的具体应用 | 第11-12页 |
| ·论文的主要工作与章节安排 | 第12-13页 |
| 第2章 图像的稀疏表示 | 第13-22页 |
| ·基本思想 | 第13-14页 |
| ·稀疏字典的设计 | 第14页 |
| ·基于固定变换的分析字典 | 第14-17页 |
| ·傅里叶变换 | 第14-15页 |
| ·小波变换 | 第15-17页 |
| ·多尺度几何分析 | 第17页 |
| ·基于训练样本的学习字典 | 第17-18页 |
| ·最优方向学习算法 | 第17-18页 |
| ·K 均值奇异值分解学习算法 | 第18页 |
| ·实验结果与分析 | 第18-21页 |
| ·分析字典稀疏分解图像 | 第19-20页 |
| ·学习字典稀疏分解图像 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第3章 盲源分离理论与算法 | 第22-26页 |
| ·盲源分离的数学模型 | 第22-23页 |
| ·盲源分离的主要算法 | 第23-25页 |
| ·独立成分分析算法 | 第23-24页 |
| ·稀疏成分分析算法 | 第24-25页 |
| ·非负矩阵分解算法 | 第25页 |
| ·本章小结 | 第25-26页 |
| 第4章 稀疏成分分析二阶段法混合矩阵的估计 | 第26-40页 |
| ·聚类分析 | 第26-27页 |
| ·K 均值聚类算法估计混合矩阵 | 第27-28页 |
| ·模糊 C 均值聚类算法估计混合矩阵 | 第28-29页 |
| ·改进的 K 均值（模糊 C 均值）聚类算法估计混合矩阵 | 第29-31页 |
| ·线性聚类算法估计混合矩阵 | 第31页 |
| ·改进的线性聚类算法估计混合矩阵 | 第31-33页 |
| ·实验结果与分析 | 第33-39页 |
| ·K 均值聚类与模糊 C 均值聚类算法估计混合矩阵 | 第36页 |
| ·模糊 C 均值聚类与改进的模糊 C 均值聚类算法估计混合矩阵 | 第36-37页 |
| ·线性聚类与改进的线性聚类算法估计混合矩阵 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 第5章 稀疏成分分析二阶段法源图像的恢复 | 第40-54页 |
| ·压缩感知基本理论 | 第40-43页 |
| ·压缩感知基本框架与数学模型 | 第40-41页 |
| ·压缩感知核心问题 | 第41-43页 |
| ·压缩感知具体重构算法 | 第43-46页 |
| ·正交匹配追踪算法 | 第43-44页 |
| ·基追踪算法 | 第44页 |
| ·平滑l0 范数算法 | 第44-46页 |
| ·基于压缩感知的欠定源信号恢复 | 第46-47页 |
| ·改进的基于压缩感知的欠定源信号恢复 | 第47-48页 |
| ·实验结果与分析 | 第48-52页 |
| ·适定或超定盲源分离 | 第49-50页 |
| ·欠定盲源分离 | 第50-52页 |
| ·本章小结 | 第52-54页 |
| 第6章 总结与展望 | 第54-56页 |
| ·工作总结 | 第54页 |
| ·展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 申请学位期间的研究成果及发表的论文 | 第61页 |
