| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 压缩感知发展概况及国内外研究现状 | 第15-16页 |
| 1.3 本文章节安排 | 第16-17页 |
| 1.4 论文的结构安排 | 第17-18页 |
| 第二章 压缩感知理论基础及应用 | 第18-30页 |
| 2.1 压缩感知基本框架 | 第18-19页 |
| 2.2 压缩感知主要内容 | 第19-27页 |
| 2.2.1 信号的稀疏表示 | 第20-22页 |
| 2.2.2 测量矩阵的构造 | 第22-24页 |
| 2.2.3 信号重构算法 | 第24-27页 |
| 2.3 压缩感知的应用 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 基于变采样率和预测的图像压缩感知算法 | 第30-48页 |
| 3.1 获取图像边缘像素点的方法 | 第31-33页 |
| 3.2 基于变采样率和预测的图像压缩感知算法描述 | 第33-35页 |
| 3.3 基于变采样率和预测的图像压缩感知算法的具体实现 | 第35-42页 |
| 3.3.1 图像边缘部分 | 第35-36页 |
| 3.3.2 抽取图像的非边缘部分 | 第36-37页 |
| 3.3.3 图像边缘部分延伸 | 第37-39页 |
| 3.3.4 边缘部分和抽取的非边缘部分的采样率分配 | 第39-41页 |
| 3.3.5 剩余非边缘部分的预测 | 第41-42页 |
| 3.4 仿真结果 | 第42-47页 |
| 3.4.1 仿真验证所提出算法的PSNR性能 | 第42-44页 |
| 3.4.2 仿真验证所提出算法的SSIM指标 | 第44-45页 |
| 3.4.3 各种算法重建图像的细节对比 | 第45-46页 |
| 3.4.4 仿真验证所提出算法的时间复杂度 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 新型压缩感知算法在光谱图像上的应用 | 第48-56页 |
| 4.1 光谱图像的特点 | 第48-49页 |
| 4.2 使用新型压缩感知算法处理光谱图像的必要性 | 第49-50页 |
| 4.3 新型压缩感知算法在光谱图像处理上的应用 | 第50-51页 |
| 4.3.1 光谱图像谱间相关性分析 | 第50-51页 |
| 4.3.2 基于差分模型的新型压缩感知算法在光谱图像上的应用 | 第51页 |
| 4.4 仿真结果 | 第51-55页 |
| 4.4.1 单个谱带的PSNR性能 | 第52-53页 |
| 4.4.2 差分模型下多个谱带的PSNR性能 | 第53-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 全文工作总结 | 第56-57页 |
| 5.2 未来工作展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 作者简介 | 第64-65页 |
