| 摘要 | 第1-13页 |
| Abstract | 第13-16页 |
| 第一章 绪论 | 第16-30页 |
| ·研究背景和意义 | 第16-18页 |
| ·变分模型图像处理的发展 | 第18-22页 |
| ·图像恢复的变分模型 | 第18-21页 |
| ·图像分割的变分模型 | 第21-22页 |
| ·图像处理中的优化技术 | 第22-25页 |
| ·本文的主要工作以及创新点 | 第25-30页 |
| ·研究内容 | 第25-27页 |
| ·主要创新点 | 第27-30页 |
| 第二章 TV-Stokes模型及其在图像去模糊中的应用 | 第30-51页 |
| ·引言 | 第30-32页 |
| ·提出的变分模型 | 第32-35页 |
| ·光滑切向量场估计 | 第32-33页 |
| ·基于估计的切向量场恢复图像 | 第33-35页 |
| ·模型分析 | 第35-38页 |
| ·基于增广 Lagrange 方法的迭代算法 | 第38-42页 |
| ·基本概念和定义 | 第38-39页 |
| ·极小化问题(2.2.6)的求解 | 第39-40页 |
| ·极小化问题(2.2.9)的求解 | 第40-41页 |
| ·计算复杂度分析 | 第41-42页 |
| ·应用与仿真试验 | 第42-48页 |
| ·图像去模糊试验 | 第42-44页 |
| ·图像去噪试验 | 第44-48页 |
| ·本章小结 | 第48-51页 |
| 第三章 空间自适应TV模型及其在图像恢复中的应用 | 第51-85页 |
| ·引言 | 第51-53页 |
| ·Gamma 噪声去噪的空间自适应的 TV 模型 | 第53-75页 |
| ·一种空间自适应的约束TV模型 | 第53-56页 |
| ·模型的属性分析 | 第56-61页 |
| ·Gamma噪声去噪的自适应算法 | 第61-64页 |
| ·仿真试验 | 第64-75页 |
| ·结论 | 第75页 |
| ·Poisson 噪声去模糊的自适应 TV 模型 | 第75-84页 |
| ·模型的提出 | 第75-77页 |
| ·模型的理论和算法分析 | 第77-79页 |
| ·仿真试验 | 第79-83页 |
| ·结论 | 第83-84页 |
| ·本章小结 | 第84-85页 |
| 第四章 非局部TV模型及其快速算法 | 第85-108页 |
| ·引言 | 第85-87页 |
| ·非局部 TV 模型的基于 FFT 的快速交替极小化算法 | 第87-98页 |
| ·问题描述和交替迭代算法 | 第87-90页 |
| ·迭代算法的收敛性分析 | 第90-94页 |
| ·数值试验 | 第94-98页 |
| ·结论 | 第98页 |
| ·Gamma 噪声去噪的非局部 TV 模型 | 第98-105页 |
| ·非局部TV模型 | 第99-100页 |
| ·迭代算法 | 第100-101页 |
| ·算法收敛性分析 | 第101-104页 |
| ·数值试验 | 第104-105页 |
| ·结论 | 第105页 |
| ·本章小结 | 第105-108页 |
| 第五章 变分模型的优化算法研究 | 第108-134页 |
| ·引言 | 第108-109页 |
| ·不动点迭代算法 | 第109-123页 |
| ·极小化问题的不动点算法 | 第109-115页 |
| ·不动点算法在TV去模糊和分割中的应用 | 第115-119页 |
| ·数值试验 | 第119-123页 |
| ·小结 | 第123页 |
| ·子空间加速的增广 Lagrange 方法 | 第123-133页 |
| ·提出的图像恢复算法 | 第126-128页 |
| ·收敛性分析 | 第128-131页 |
| ·数值试验 | 第131-133页 |
| ·小结 | 第133页 |
| ·本章小结 | 第133-134页 |
| 第六章 图像修复的变分模型研究 | 第134-156页 |
| ·引言 | 第134-135页 |
| ·基于低秩和联合稀疏矩阵恢复的图像修复方法 | 第135-141页 |
| ·相关工作 | 第135-137页 |
| ·低秩和联合稀疏约束的图像修复算法 | 第137-139页 |
| ·数值试验 | 第139-141页 |
| ·小结 | 第141页 |
| ·小波域图像修复模型 | 第141-155页 |
| ·相关工作 | 第142-144页 |
| ·提出的小波域图像修复模型 | 第144-146页 |
| ·模型的理论分析 | 第146-148页 |
| ·数值试验 | 第148-153页 |
| ·结论 | 第153-155页 |
| ·本章小结 | 第155-156页 |
| 第七章 基于标签匹配的正则化框架及其在图像分割中的应用 | 第156-176页 |
| ·引言 | 第156-157页 |
| ·CVT 和 EWCVT 简介 | 第157-159页 |
| ·基于标签匹配的正则化图像分割方法 | 第159-165页 |
| ·基于标签匹配的正则化CVT模型 | 第159-161页 |
| ·算法的收敛性分析 | 第161-165页 |
| ·数值试验 | 第165-173页 |
| ·参数选择 | 第165页 |
| ·式(7.3.3)定义的正则化CVT模型的试验结果 | 第165-166页 |
| ·式(7.3.5)定义的正则化CVT模型的试验结果 | 第166-170页 |
| ·提出方法与EWCVT模型的量化比较 | 第170-173页 |
| ·本章小结 | 第173-176页 |
| 第八章 结论与展望 | 第176-180页 |
| ·本文工作总结 | 第176-178页 |
| ·下一步工作展望 | 第178-180页 |
| 致谢 | 第180-181页 |
| 参考文献 | 第181-196页 |
| 作者在学期间取得的学术成果 | 第196-197页 |
