基于独立分量分析的图像去噪方法研究
| 提要 | 第1-8页 |
| 第1章 绪论 | 第8-15页 |
| ·引言 | 第8-9页 |
| ·国内外发展现状及课题研究意义 | 第9-11页 |
| ·ICA方法的现状 | 第9-10页 |
| ·ICA方法的研究意义 | 第10-11页 |
| ·图像处理方法研究现状 | 第11-14页 |
| ·空间域法 | 第11-13页 |
| ·形态学图像处理方法 | 第13页 |
| ·小波图像处理方法 | 第13页 |
| ·独立分量分析图像处理方法 | 第13-14页 |
| ·本文的内容安排及创新点 | 第14页 |
| ·内容安排 | 第14页 |
| ·创新点 | 第14页 |
| ·本章小结 | 第14-15页 |
| 第2章 独立分量分析的基本理论 | 第15-29页 |
| ·独立分量分析基本概念 | 第15-16页 |
| ·高斯性与非高斯性 | 第16页 |
| ·高阶累积量 | 第16-18页 |
| ·信息论的基础知识 | 第18-22页 |
| ·熵 | 第18-19页 |
| ·联合熵 | 第19页 |
| ·互信息 | 第19页 |
| ·K? L 散度 | 第19-20页 |
| ·负熵 | 第20-21页 |
| ·峰度 | 第21-22页 |
| ·独立分量分析的预处理 | 第22-23页 |
| ·中心化 | 第22页 |
| ·白化 | 第22-23页 |
| ·降维 | 第23页 |
| ·高斯变量局限性 | 第23-25页 |
| ·独立分量分析的若干限制条件 | 第25页 |
| ·独立分量分析与传统统计方法的关系 | 第25-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 独立分量分析算法 | 第29-44页 |
| ·前言 | 第29页 |
| ·信息最大估计算法 | 第29-31页 |
| ·非高斯极大化算法 | 第31-32页 |
| ·非线性PCA算法 | 第32-33页 |
| ·稀疏编码收缩法 | 第33-34页 |
| ·互信息极小法 | 第34-37页 |
| ·基于张量算法 | 第37页 |
| ·非线性去相关方法 | 第37-38页 |
| ·独立分量分析的优化估计算法 | 第38-43页 |
| ·快速独立分量分析(FastICA ) 算法 | 第38-41页 |
| ·极大似然法 | 第41页 |
| ·自然梯度学习算法 | 第41-42页 |
| ·最小二乘估计法 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 独立分量分析方法在图像去噪中的应用 | 第44-60页 |
| ·前言 | 第44页 |
| ·图像去噪方法概述 | 第44-47页 |
| ·基于小波变换的图像去噪 | 第45页 |
| ·基于阈值的小波去噪方法 | 第45页 |
| ·去噪方法的实现 | 第45-47页 |
| ·基于数学形态学的图像去噪 | 第47-53页 |
| ·数学形态学基本运算 | 第47-51页 |
| ·基于数学形态学图像去噪的实现 | 第51-53页 |
| ·独立分量分析在图像去噪中的应用 | 第53-59页 |
| ·窗口化方法 | 第53-54页 |
| ·图像去噪仿真实验 | 第54-59页 |
| ·本章小结 | 第59-60页 |
| 第5章 结束语 | 第60-62页 |
| ·主要工作与总结 | 第60页 |
| ·今后待研究问题 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 摘要 | 第67-69页 |
| Abstract | 第69-71页 |
