| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第8-18页 |
| 1.1 研究背景及意义 | 第8-11页 |
| 1.1.1 无线多媒体传感器网络的概念 | 第8-9页 |
| 1.1.2 无线多媒体传感器网络的特点 | 第9-10页 |
| 1.1.3 无线多媒体传感器网络视频图像特征分析 | 第10-11页 |
| 1.2 视频去噪算法的研究现状 | 第11-14页 |
| 1.2.1 传统的视频去噪方法 | 第11-13页 |
| 1.2.2 基于稀疏表示的视频去噪方法 | 第13页 |
| 1.2.3 基于低秩矩阵重建的视频去噪方法 | 第13-14页 |
| 1.3 视频图像去噪质量的评价标准 | 第14-16页 |
| 1.3.1 主观评价标准 | 第14页 |
| 1.3.2 客观评价标准 | 第14-16页 |
| 1.4 本论文的主要工作及结构安排 | 第16-18页 |
| 第二章 稀疏表示理论及其去噪 | 第18-28页 |
| 2.1 稀疏表示理论 | 第18页 |
| 2.2 图像的稀疏表示去噪模型 | 第18-20页 |
| 2.3 图像的稀疏编码方法 | 第20-22页 |
| 2.3.1 贪婪追踪算法 | 第20-22页 |
| 2.3.2 松弛优化算法 | 第22页 |
| 2.4 图像的过完备字典学习方法 | 第22-27页 |
| 2.4.1 最佳方向算法 | 第23页 |
| 2.4.2 最大似然方法 | 第23-24页 |
| 2.4.3 K奇异值分解算法 | 第24-26页 |
| 2.4.4 稀疏K-SVD字典学习算法 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 低秩矩阵重建去噪模型及其优化算法 | 第28-37页 |
| 3.1 低秩矩阵重建去噪模型 | 第28-30页 |
| 3.1.1 低秩矩阵补全模型 | 第28-29页 |
| 3.1.2 低秩矩阵恢复模型 | 第29页 |
| 3.1.3 低秩表示模型 | 第29-30页 |
| 3.2 低秩矩阵重建优化算法 | 第30-36页 |
| 3.2.1 预备知识 | 第30-31页 |
| 3.2.2 迭代阈值算法 | 第31-32页 |
| 3.2.3 半定规划算法 | 第32-33页 |
| 3.2.4 固定点延续算法 | 第33-34页 |
| 3.2.5 加速近端梯度算法 | 第34-35页 |
| 3.2.6 增广拉格朗日乘子算法 | 第35-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第四章 WMSN中基于快速块匹配的低秩矩阵补全混合噪声去除方法 | 第37-46页 |
| 4.1 引言 | 第37页 |
| 4.2 快速块匹配 | 第37-41页 |
| 4.2.1 最近邻域 | 第38页 |
| 4.2.2 随机一致算法 | 第38-39页 |
| 4.2.3 视频块匹配的改进随机一致算法 | 第39-41页 |
| 4.3 WMSN中基于快速块匹配的低秩矩阵补全混合噪声去除算法设计 | 第41-43页 |
| 4.4 实验结果对比与分析 | 第43-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 WMSN中基于稀疏K-SVD字典学习与加权低秩模型的混合噪声去除算法 | 第46-57页 |
| 5.1 算法设计 | 第46页 |
| 5.2 WMSN加权低秩去噪模型的构建 | 第46-49页 |
| 5.3 WMSN加权低秩去噪模型的求解 | 第49-50页 |
| 5.4 WMSN非局部稀疏表示去噪模型的构建 | 第50-54页 |
| 5.4.1 图像的非局部自相似性 | 第50-52页 |
| 5.4.2 稀疏K-SVD字典学习算法求解 | 第52-54页 |
| 5.5 实验结果及分析 | 第54-56页 |
| 5.6 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 本文工作回顾 | 第57-58页 |
| 6.2 工作展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 个人简历 在读期间发表的学术论文 | 第63-64页 |
| 致谢 | 第64页 |
