基于稀疏表示与优化的图像信息处理方法及应用
| 摘要 | 第1-12页 |
| Abstract | 第12-15页 |
| 第一章 绪论 | 第15-35页 |
| ·课题研究背景与意义 | 第15-18页 |
| ·国内外研究与应用现状 | 第18-29页 |
| ·稀疏表示的生物学解释 | 第19-20页 |
| ·信号稀疏模型 | 第20-21页 |
| ·信号稀疏恢复算法 | 第21-24页 |
| ·基于稀疏表示机制的视觉感知应用研究及面临的挑战 | 第24-29页 |
| ·主要研究内容和创新点 | 第29-32页 |
| ·主要的研究内容和技术思路 | 第29-31页 |
| ·论文工作和创新点 | 第31-32页 |
| ·论文结构安排 | 第32-35页 |
| 第二章 图像恢复的局部和非局部稀疏表示模型研究 | 第35-65页 |
| ·引言 | 第35-36页 |
| ·局部恢复模型分析 | 第36-47页 |
| ·过完备稀疏表示基本概念 | 第37-38页 |
| ·最优方向方法 | 第38-41页 |
| ·基于聚类的奇异值分解方法 | 第41-44页 |
| ·在线字典学习 | 第44-47页 |
| ·非局部恢复模型分析 | 第47-53页 |
| ·非局部稀疏模型 | 第47-49页 |
| ·三维块匹配协同滤波模型 | 第49-53页 |
| ·结合局部和非局部的恢复模型研究 | 第53-57页 |
| ·基于聚类的稀疏表示 | 第53-55页 |
| ·改进的代理函数方法 | 第55-57页 |
| ·实验和分析 | 第57-63页 |
| ·评价方法 | 第57页 |
| ·人工数据实验 | 第57-58页 |
| ·真实图像恢复 | 第58-63页 |
| ·本章小节 | 第63-65页 |
| 第三章 基于稀疏表示及优化的图像融合感知 | 第65-83页 |
| ·引言 | 第65-67页 |
| ·基于在线字典学习的像素级融合 | 第67-73页 |
| ·融合框架的数学描述 | 第67-68页 |
| ·图像信号的稀疏表示 | 第68-71页 |
| ·字典学习和特征提取 | 第71-72页 |
| ·融合方法 | 第72-73页 |
| ·实验与分析 | 第73-81页 |
| ·字典学习 | 第74-76页 |
| ·无噪声干扰的融合 | 第76-80页 |
| ·受噪声污染的融合 | 第80-81页 |
| ·本章小结 | 第81-83页 |
| 第四章 基于弱稀疏约束的目标分类识别 | 第83-103页 |
| ·引言 | 第83-85页 |
| ·基于稀疏表示的分类方法研究 | 第85-93页 |
| ·SRC方法 | 第85-90页 |
| ·CRC_RLS方法 | 第90-93页 |
| ·基于判别和协作表示的分类 | 第93-101页 |
| ·研究动机 | 第93-94页 |
| ·提出的方法 | 第94-95页 |
| ·实验与分析 | 第95-101页 |
| ·本章小结 | 第101-103页 |
| 第五章 基于稀疏表示和流形学习的特征降维方法研究 | 第103-123页 |
| ·引言 | 第103-105页 |
| ·非线性降维算法及线性扩展 | 第105-113页 |
| ·非线性降维相关概念 | 第105-107页 |
| ·非线性降维算法 | 第107-110页 |
| ·流形学习算法的线性扩展 | 第110-113页 |
| ·稀疏保持投影算法研究 | 第113-115页 |
| ·稀疏重构权值 | 第113页 |
| ·稀疏重构关系在投影前后的保持 | 第113-115页 |
| ·非相似度的稀疏保持投影和算法设计 | 第115-122页 |
| ·基于稀疏表示的非相似性度量 | 第115-116页 |
| ·算法框架和求解 | 第116-117页 |
| ·奇异空间的处理 | 第117-118页 |
| ·实验和分析 | 第118-122页 |
| ·本章小节 | 第122-123页 |
| 第六章 结论和展望 | 第123-127页 |
| ·论文工作总结 | 第123-124页 |
| ·下一步工作展望 | 第124-127页 |
| 致谢 | 第127-129页 |
| 参考文献 | 第129-147页 |
| 作者在学期间取得的学术成果 | 第147-148页 |
