基于小波及稀疏预处理的分层迭代降噪研究
摘要 | 第4-5页 |
abstract | 第5页 |
第一章 绪论 | 第8-15页 |
1.1 图像降噪技术的研究背景 | 第8-9页 |
1.1.1 图像噪声的产生与分类 | 第8-9页 |
1.2 独立成分分析技术 | 第9-10页 |
1.3 神经网络技术 | 第10-11页 |
1.4 压缩稀疏技术 | 第11-12页 |
1.5 小波降噪 | 第12-13页 |
1.6 本文研究内容 | 第13-15页 |
第二章 基于小波及稀疏的预处理理论分析 | 第15-28页 |
2.1 小波去噪 | 第15-17页 |
2.1.1 小波阈值降噪原理 | 第15-17页 |
2.2 稀疏矩阵方程求解 | 第17-26页 |
2.2.1 图像稀疏过程 | 第17-20页 |
2.2.2 RIP条件 | 第20-23页 |
2.2.3 L1范数最小化梯度分析 | 第23-24页 |
2.2.4 优化稀疏矩阵方程求解 | 第24-26页 |
2.3 本章总结 | 第26-28页 |
第三章 基于非局部均值预测的独立成分分析降噪方法 | 第28-38页 |
3.1 字典压缩算法 | 第28-30页 |
3.1.1 稀疏模型的建立 | 第28-29页 |
3.1.2 稀疏系数的求解 | 第29页 |
3.1.3 字典压缩算法 | 第29-30页 |
3.2 非局部均值算法 | 第30-31页 |
3.3 FastICA算法降噪 | 第31-34页 |
3.4 算法仿真与实验结果 | 第34-37页 |
3.5 本章小结 | 第37-38页 |
第四章 基于稀疏预处理的CNN结构的图像降噪 | 第38-57页 |
4.1 神经网络 | 第38-40页 |
4.1.1 反馈与前馈网络 | 第38-40页 |
4.1.2 人工神经网络学习算法 | 第40页 |
4.2 BP神经网络 | 第40-43页 |
4.2.1 工作原理 | 第40-43页 |
4.3 自编码神经网络 | 第43-45页 |
4.3.1 经典的自编码神经网络 | 第43-45页 |
4.4 结构分析与算法步骤 | 第45-49页 |
4.4.1 mnist数据集测试 | 第47-49页 |
4.5 图像处理及相应神经网络构架 | 第49-56页 |
4.5.1 CNN网络算法仿真与结果 | 第53-56页 |
4.6 本章小结 | 第56-57页 |
第五章 总结与展望 | 第57-59页 |
5.1 总结 | 第57页 |
5.2 展望 | 第57-59页 |
参考文献 | 第59-63页 |
附录 1 攻读硕士学位期间撰写的论文 | 第63-64页 |
附录 2 攻读硕士学位期间申请的专利 | 第64-65页 |
附录 3 攻读硕士学位期间参加的科研项目 | 第65-66页 |
致谢 | 第66页 |