基于块的图像去噪
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 论文研究内容及意义 | 第11页 |
| 1.4 论文组织结构 | 第11-13页 |
| 第二章 图像去噪基础 | 第13-23页 |
| 2.1 噪声模型 | 第13-14页 |
| 2.2 经典图像去噪方法 | 第14-16页 |
| 2.2.1 空间域去噪 | 第14页 |
| 2.2.2 变换域滤波 | 第14-16页 |
| 2.2.3 混合域去噪 | 第16页 |
| 2.3 噪声估计 | 第16-17页 |
| 2.4 图像质量评价标准 | 第17-20页 |
| 2.4.1 主观评价标准 | 第17-18页 |
| 2.4.2 客观评价标准 | 第18-20页 |
| 2.5 非局部均值去噪算法 | 第20-22页 |
| 2.5.1 非局部均值去噪算法基本原理 | 第20-21页 |
| 2.5.2 非局部均值的研究现状 | 第21-22页 |
| 2.6 本章小结 | 第22-23页 |
| 第三章 非局部均值的改进算法 | 第23-37页 |
| 3.1 基于超像素分割的改进方法 | 第23-26页 |
| 3.1.1 超像素分割概述 | 第23-24页 |
| 3.1.2 改进算法 | 第24页 |
| 3.1.3 仿真实验与分析 | 第24-26页 |
| 3.2 自适应滤波参数的非局部均值算法 | 第26-31页 |
| 3.2.1 边缘检测算法 | 第26-28页 |
| 3.2.2 改进算法 | 第28-29页 |
| 3.2.3 实验与分析 | 第29-31页 |
| 3.3 基于PCA的相似块的重构 | 第31-35页 |
| 3.3.1 PCA概述 | 第31页 |
| 3.3.2 改进算法 | 第31-33页 |
| 3.3.3 实验与结果分析 | 第33-35页 |
| 3.4 本章小结 | 第35-37页 |
| 第四章 基于卷积神经网络的图像去噪 | 第37-51页 |
| 4.1 卷积神经网络 | 第37-41页 |
| 4.1.1 卷积神经网络的特点 | 第37-38页 |
| 4.1.2 卷积神经网络的结构 | 第38-40页 |
| 4.1.3 CNN的训练过程 | 第40-41页 |
| 4.2 去噪框架 | 第41-43页 |
| 4.2.1 网络结构介绍 | 第42-43页 |
| 4.3 训练细节设计 | 第43-44页 |
| 4.3.1 数据初始化 | 第43页 |
| 4.3.2 训练方式 | 第43页 |
| 4.3.3 学习率设置 | 第43页 |
| 4.3.4 Adam梯度优化 | 第43-44页 |
| 4.4 实验结果与分析 | 第44-49页 |
| 4.4.1 实验一 | 第44-45页 |
| 4.4.2 实验二 | 第45-49页 |
| 4.5 本章小结 | 第49-51页 |
| 第五章 全文总结与展望 | 第51-53页 |
| 5.1 总结 | 第51-52页 |
| 5.2 展望 | 第52-53页 |
| 致谢 | 第53-55页 |
| 参考文献 | 第55-61页 |
| 作者简介 | 第61页 |
