稀疏表示理论的研究及其在图像去噪中的应用
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·研究背景及意义 | 第7-8页 |
| ·国内外研究现状 | 第8-11页 |
| ·本文主要工作及内容安排 | 第11-13页 |
| 第二章 稀疏表示理论 | 第13-25页 |
| ·信号的稀疏表示 | 第13-15页 |
| ·信号的表示 | 第13-14页 |
| ·稀疏的度量 | 第14页 |
| ·冗余稀疏表示 | 第14页 |
| ·唯一性和不确定性 | 第14-15页 |
| ·稀疏分解基本算法 | 第15-18页 |
| ·匹配追踪 | 第15-16页 |
| ·基追踪 | 第16页 |
| ·正交匹配追踪 | 第16-18页 |
| ·变换字典 | 第18-21页 |
| ·傅立叶与小波变换 | 第18-20页 |
| ·多尺度几何分析 | 第20-21页 |
| ·学习字典 | 第21-23页 |
| ·优化方向算法 | 第22页 |
| ·广义主成分分析 | 第22-23页 |
| ·K-SVD 算法 | 第23页 |
| ·本章小结 | 第23-25页 |
| 第三章 混合稀疏表示理论在图像去噪中的应用 | 第25-37页 |
| ·图像的稀疏表示 | 第25-26页 |
| ·基于贝叶斯重建的图像去噪模型 | 第26-27页 |
| ·基于最小全变分法的去噪方法 | 第27-28页 |
| ·基于小波阈值的图像去噪 | 第28-29页 |
| ·基于小波阈值的去噪技术 | 第28页 |
| ·小波阈值的去噪原理 | 第28-29页 |
| ·小波阈值去噪的具体步骤 | 第29页 |
| ·基于轮廓波变换的图像去噪 | 第29-31页 |
| ·单层小波与字典学习的混合稀疏表示 | 第31-33页 |
| ·单层小波与字典学习的图像去噪步骤 | 第32-33页 |
| ·单层小波与字典学习的算法优势 | 第33页 |
| ·基于塔式分解与字典学习的混合稀疏表示 | 第33-35页 |
| ·研究背景 | 第33-34页 |
| ·基于塔式分解和字典学习的 MRI 图像去噪模型 | 第34页 |
| ·基于塔式分解和字典学习的 MRI 图像去噪步骤 | 第34-35页 |
| ·基于塔式分解和字典学习算法的优势 | 第35页 |
| ·本章小结 | 第35-37页 |
| 第四章 图像去噪仿真实验及结果分析 | 第37-49页 |
| ·单层小波与字典学习算法的图像去噪 | 第37-42页 |
| ·自然图像去噪仿真实验 | 第37页 |
| ·实验仿真结果分析 | 第37-42页 |
| ·塔式分解与字典学习算法的图像去噪 | 第42-47页 |
| ·MRI 图像去噪仿真实验 | 第42-43页 |
| ·实验仿真结果分析 | 第43-47页 |
| ·本章小结 | 第47-49页 |
| 第五章 结束语 | 第49-51页 |
| ·论文工作总结 | 第49-50页 |
| ·研究展望 | 第50-51页 |
| 致谢 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 攻读硕士学位期间已发表或录用的论文 | 第56-57页 |
