| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-10页 |
| 2 高阶奇异值分解算法 | 第10-17页 |
| 2.1 简介 | 第10页 |
| 2.2 想法的起源 | 第10-17页 |
| 2.2.1 利用矩阵的SVD分解来去噪 | 第10-11页 |
| 2.2.2 利用SVD的Oracle去噪 | 第11-12页 |
| 2.2.3 相似快的非局部SVD | 第12页 |
| 2.2.4 图像块相似尺度的选择 | 第12-13页 |
| 2.2.5 利用高阶奇异值分解的动机 | 第13-14页 |
| 2.2.6 HOSVD 去噪算法的实现 | 第14-15页 |
| 2.2.7 NL-SVD 和HOSVD/HOSVD2与现存文献关系 | 第15-17页 |
| 3 自适应主成分分析的BM3D去噪算法 | 第17-23页 |
| 3.1 简介 | 第17-18页 |
| 3.2 BM3D-SAPCA 算法 | 第18-19页 |
| 3.2.1 算法框架 | 第18-19页 |
| 3.3 整理PCA | 第19-20页 |
| 3.4 迭代加细 | 第20-23页 |
| 4 利用K-SVD方法去噪 | 第23-34页 |
| 4.1 简介 | 第23-24页 |
| 4.2 正交匹配追踪算法(OMP) | 第24-25页 |
| 4.3 字典选择 | 第25页 |
| 4.4 K-SVD算法 | 第25-29页 |
| 4.5 利用K-SVD去噪 | 第29-34页 |
| 5 利用自适应小波包阈值函数去噪 | 第34-45页 |
| 5.1 简介 | 第34页 |
| 5.2 小波包和最佳小波基底 | 第34-35页 |
| 5.3 小波收缩算法 | 第35-42页 |
| 5.3.1 快速最佳小波基底提取 | 第36页 |
| 5.3.2 阈值的决定 | 第36-39页 |
| 5.3.3 阈值收缩算法 | 第39-42页 |
| 5.4 实验结果 | 第42-45页 |
| 参考文献 | 第45-47页 |
| 致谢 | 第47页 |