基于稀疏表示方法的图像恢复算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 图像恢复的研究目的及意义 | 第9-10页 |
| 1.2 图像恢复的研究现状 | 第10-12页 |
| 1.2.1 图像去噪的研究现状 | 第10-11页 |
| 1.2.2 图像去模糊的研究现状 | 第11-12页 |
| 1.3 本文主要研究内容及结构安排 | 第12-15页 |
| 1.3.1 主要研究内容 | 第12-13页 |
| 1.3.2 全文结构安排 | 第13-15页 |
| 第二章 图像恢复的基本理论和方法 | 第15-29页 |
| 2.1 图像先验模型基本理论 | 第15-21页 |
| 2.1.1 图像局部平滑先验模型 | 第15-17页 |
| 2.1.2 图像非局部自相似性先验模型 | 第17-19页 |
| 2.1.3 图像稀疏表示先验模型 | 第19-21页 |
| 2.2 稀疏表示模型求解稀疏编码的优化算法 | 第21-24页 |
| 2.2.1 贪婪算法 | 第21-23页 |
| 2.2.2 l_1范数凸优化算法 | 第23-24页 |
| 2.3 稀疏表示模型学习字典训练问题 | 第24-26页 |
| 2.3.1 学习字典 | 第24-25页 |
| 2.3.2 K-SVD算法 | 第25-26页 |
| 2.4 矩阵范数 | 第26-27页 |
| 2.5 本章小结 | 第27-29页 |
| 第三章 组稀疏表示模型及其改进模型 | 第29-40页 |
| 3.1 GSR模型介绍 | 第29-32页 |
| 3.1.1 GSR模型稀疏编码 | 第30-31页 |
| 3.1.2 GSR模型自适应字典学习 | 第31-32页 |
| 3.2 基于GSR模型0l范数最小化求解 | 第32-36页 |
| 3.2.1 迭代阈值算法 | 第32-34页 |
| 3.2.2 非精确增广拉格朗日乘子法 | 第34-36页 |
| 3.3 GHP正则化的组稀疏表示模型 | 第36-39页 |
| 3.3.1 GSR_GHP图像恢复模型 | 第36-37页 |
| 3.3.2 迭代直方图规范化算法 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 改进的组稀疏表示图像去噪方法 | 第40-50页 |
| 4.1 GSR_GHP图像去噪模型及其求解算法 | 第40-42页 |
| 4.2 参考梯度直方图估计方法 | 第42-43页 |
| 4.3 实验结果及分析 | 第43-49页 |
| 4.3.1 实验结果 | 第44-47页 |
| 4.3.2 实验结论及分析 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 改进的组稀疏表示图像去模糊方法 | 第50-58页 |
| 5.1 GSR_GHP图像去模糊模型及其求解 | 第50-52页 |
| 5.2 参考梯度直方图估计方法 | 第52-53页 |
| 5.3 实验结果与分析 | 第53-56页 |
| 5.3.1 实验结果 | 第53-56页 |
| 5.3.2 实验结论及分析 | 第56页 |
| 5.4 本章小结 | 第56-58页 |
| 第六章 结论 | 第58-60页 |
| 6.1 总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读学位期间所取得的相关科研成果 | 第64-66页 |
| 致谢 | 第66页 |
