图像去噪与恢复
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 注释表 | 第10-11页 |
| 缩略词 | 第11-12页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 课题研究背景 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 传统的空间域图像去噪算法 | 第13-14页 |
| 1.2.2 传统的变换域图像去噪算法 | 第14-16页 |
| 1.2.3 基于神经网络图像去噪 | 第16页 |
| 1.2.4 非局部图像去噪 | 第16页 |
| 1.2.5 冗余稀疏表示图像去噪 | 第16-17页 |
| 1.3 图像质量客观评价标准 | 第17-18页 |
| 1.4 本文主要研究工作 | 第18-20页 |
| 第二章 基础理论知识概述 | 第20-27页 |
| 2.1 脉冲耦合神经网络 | 第20-22页 |
| 2.1.1 PCNN基本模型 | 第20-21页 |
| 2.1.2 PCNN基本特性 | 第21-22页 |
| 2.2 冗余稀疏表示 | 第22-26页 |
| 2.2.1 稀疏表示基本模型 | 第22-23页 |
| 2.2.2 稀疏分解 | 第23-25页 |
| 2.2.3 冗余字典的构建 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 基于PCNN图像去噪 | 第27-41页 |
| 3.1 椒盐噪音特点及其密度估计 | 第27-28页 |
| 3.2 纹理复杂度判定方法 | 第28-32页 |
| 3.3 本章算法描述 | 第32-34页 |
| 3.4 仿真实验 | 第34-40页 |
| 3.4.1 纹理细节较多图像结果比较 | 第35-36页 |
| 3.4.2 纹理细节较少图像结果比较 | 第36-37页 |
| 3.4.3 自带噪音图像去噪比较 | 第37-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 基于自适应原子库去噪算法 | 第41-51页 |
| 4.1 全局空间划分信号子空间 | 第41-43页 |
| 4.2 训练原子库 | 第43-45页 |
| 4.3 本章算法描述 | 第45-47页 |
| 4.4 实验仿真 | 第47-50页 |
| 4.4.1 主观性能比较 | 第47-49页 |
| 4.4.2 客观性能比较 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 全文总结 | 第51页 |
| 5.2 工作展望 | 第51-53页 |
| 参考文献 | 第53-58页 |
| 致谢 | 第58-59页 |
| 在学期间的研究成果及发表的学术论文 | 第59页 |
