基于K-SVD的字典学习算法及应用研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 选题研究背景及意义 | 第9页 |
| 1.2 国内外研究和发展现状 | 第9-13页 |
| 1.2.1 图像去噪的发展现状 | 第9-11页 |
| 1.2.2 稀疏表示理论的发展现状 | 第11-12页 |
| 1.2.3 字典学习构造的发展 | 第12-13页 |
| 1.3 本论文的研究内容及安排 | 第13-14页 |
| 2 信号的稀疏表示理论 | 第14-19页 |
| 2.1 稀疏表示理论背景 | 第14页 |
| 2.2 图像稀疏表示模型 | 第14-16页 |
| 2.2.1 小块图像的稀疏模型 | 第14-15页 |
| 2.2.2 整块图像的稀疏模型 | 第15-16页 |
| 2.3 稀疏分解算法 | 第16-18页 |
| 2.4 本章小结 | 第18-19页 |
| 3 字典学习模型及算法 | 第19-25页 |
| 3.1 分析字典 | 第19-22页 |
| 3.1.1 Fourier变换与小波变换 | 第20-21页 |
| 3.1.2 多尺度几何分析 | 第21-22页 |
| 3.2 学习字典 | 第22-24页 |
| 3.2.1 MOD算法 | 第23页 |
| 3.2.2 联合正交基 | 第23页 |
| 3.2.3 Generalized PCA | 第23-24页 |
| 3.2.4 K-SVD算法 | 第24页 |
| 3.3 本章小结 | 第24-25页 |
| 4 基于K-SVD的图像去噪算法 | 第25-40页 |
| 4.1 K均值聚类（K-means）概述 | 第25-26页 |
| 4.2 K-SVD算法 | 第26-32页 |
| 4.2.1 奇异值分解 | 第27-28页 |
| 4.2.2 K-SVD字典学习算法原理分析 | 第28-30页 |
| 4.2.3 图像质量评价 | 第30-32页 |
| 4.3 基于K-SVD的图像去噪 | 第32-33页 |
| 4.4 仿真实验与分析 | 第33-39页 |
| 4.4.1 算法仿真参数 | 第33页 |
| 4.4.2 图像滤波仿真测试 | 第33-39页 |
| 4.5 本章小结 | 第39-40页 |
| 5 基于修正K-SVD的随机值脉冲噪声恢复算法 | 第40-61页 |
| 5.1 几种常见去噪算法回顾与分析 | 第40-45页 |
| 5.1.1 传统的中值滤波原理介绍 | 第40-41页 |
| 5.1.2 自适应中心加权中值滤波器原理介绍 | 第41-43页 |
| 5.1.3 方向加权中值滤波原理介绍 | 第43-45页 |
| 5.2 脉冲噪声的基本理论 | 第45-47页 |
| 5.2.1 脉冲噪声简介 | 第45页 |
| 5.2.2 脉冲噪声模型 | 第45-46页 |
| 5.2.3 随机值脉冲噪声的检测 | 第46-47页 |
| 5.3 修正K-SVD的字典训练算法原理 | 第47-49页 |
| 5.3.1 构建训练样本集 | 第47-48页 |
| 5.3.2 修正K-SVD的冲击噪声算法原理 | 第48-49页 |
| 5.4 基于稀疏表示的变分恢复模型 | 第49-51页 |
| 5.4.1 变分模型的构建 | 第49-50页 |
| 5.4.2 变分模型的求解 | 第50-51页 |
| 5.5 仿真实验与分析 | 第51-60页 |
| 5.5.1 算法仿真参数 | 第52-53页 |
| 5.5.2 图像去噪仿真测试 | 第53-60页 |
| 5.6 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间发表的学术论文及研究成果 | 第68页 |
