基于稀疏表示的图像重建与去噪方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 引言 | 第10-15页 |
| 1.1 课题的研究背景 | 第10-11页 |
| 1.2 课题的研究意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-13页 |
| 1.4 研究工作的内容及创新点 | 第13-14页 |
| 1.5 论文结构框架 | 第14-15页 |
| 第2章 压缩感知理论与稀疏表示模型 | 第15-28页 |
| 2.1 压缩感知数学模型 | 第16-20页 |
| 2.1.1 信号的稀疏表示 | 第16-17页 |
| 2.1.2 信号的观测矩阵 | 第17-18页 |
| 2.1.3 信号的重构算法 | 第18-20页 |
| 2.2 块分组稀疏模型 | 第20-24页 |
| 2.2.1 高斯模型训练 | 第20-23页 |
| 2.2.2 块分组稀疏编码 | 第23-24页 |
| 2.3 稀疏编码噪声模型 | 第24-26页 |
| 2.3.1 稀疏编码噪声 | 第25页 |
| 2.3.2 模型求解与估计 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第3章 基于块分组的加权稀疏编码方法 | 第28-40页 |
| 3.1 图像块分组加权方法 | 第28-29页 |
| 3.2 稀疏去噪模型的建立 | 第29-31页 |
| 3.2.1 加权编码结构 | 第29-30页 |
| 3.2.2 块分组结构方法 | 第30-31页 |
| 3.3 块分组加权算法实现 | 第31-35页 |
| 3.3.1 字典选择与训练 | 第31-33页 |
| 3.3.2 算法步骤描述 | 第33-35页 |
| 3.4 仿真结果与分析 | 第35-39页 |
| 3.5 本章总结 | 第39-40页 |
| 第4章 基于PCA的非局部聚类稀疏表示方法 | 第40-57页 |
| 4.1 非局部聚类方法 | 第40-42页 |
| 4.2 稀疏表示建模 | 第42-45页 |
| 4.3 稀疏表示算法实现 | 第45-50页 |
| 4.3.1 PCA字典学习 | 第45-47页 |
| 4.3.2 稀疏表示算法描述 | 第47-50页 |
| 4.4 仿真结果与分析 | 第50-55页 |
| 4.4.1 去噪声重建仿真 | 第50-53页 |
| 4.4.2 去模糊重建仿真 | 第53-55页 |
| 4.5 本章小结 | 第55-57页 |
| 第5章 高斯尺度训练稀疏表示图像重建方法 | 第57-71页 |
| 5.1 高斯尺度混合模型 | 第57-58页 |
| 5.2 稀疏描述模型建立 | 第58-62页 |
| 5.2.1 块分组方法模型 | 第58-59页 |
| 5.2.2 交替最小化稀疏模型 | 第59-62页 |
| 5.3 高斯尺度块分组稀疏算法 | 第62-64页 |
| 5.3.1 总体方法与字典选择 | 第62页 |
| 5.3.2 算法详细描述 | 第62-64页 |
| 5.4 仿真结果与分析 | 第64-70页 |
| 5.5 本章小结 | 第70-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71页 |
| 6.2 展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 附录1 攻读硕士学位期间获得的成果奖励 | 第77-78页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第78-79页 |
| 致谢 | 第79页 |
