| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 专用术语注释表 | 第9-11页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 图像去噪的研究背景及意义 | 第11页 |
| 1.2 图像去噪的研究问题及现状 | 第11-15页 |
| 1.3 图像去噪效果的评价标准 | 第15-17页 |
| 1.4 图像去噪的系统框架 | 第17页 |
| 1.5 本文研究内容及创新点 | 第17-19页 |
| 第二章 稀疏表示理论和稀疏域去噪模型 | 第19-26页 |
| 2.1 稀疏表示理论 | 第19-20页 |
| 2.2 稀疏域模型 | 第20-23页 |
| 2.3 正交匹配追踪算法 | 第23-25页 |
| 2.4 奇异值分解定理 | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 结合矩阵构造和图像裁剪的图像去噪 | 第26-36页 |
| 3.1 图像块思想处理图像问题分析 | 第26-28页 |
| 3.2 新增的矩阵构造及图像裁剪过程 | 第28-30页 |
| 3.2.1 图像矩阵构造 | 第28-29页 |
| 3.2.2 图像块处理思想及图像裁剪 | 第29-30页 |
| 3.3 实验结果及分析 | 第30-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 改进的基于K-SVD算法的训练数据提取方法 | 第36-44页 |
| 4.1 基于K-SVD算法的图像去噪过程 | 第36-39页 |
| 4.1.1 图像处理阶段 | 第36-37页 |
| 4.1.2 字典训练阶段 | 第37页 |
| 4.1.3 稀疏编码阶段 | 第37-38页 |
| 4.1.4 字典更新阶段 | 第38-39页 |
| 4.2 训练数据提取方法 | 第39-40页 |
| 4.2.1 经典的训练数据提取方法 | 第39页 |
| 4.2.2 改进的训练数据提取方法 | 第39-40页 |
| 4.3 实验结果及分析 | 第40-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 改进的K-SVD算法中的字典原子相似度的判断 | 第44-48页 |
| 5.1 K-SVD算法中字典原子相似度的判断 | 第44页 |
| 5.2 K-SVD算法中改进的字典原子相似度的判断 | 第44-45页 |
| 5.3 实验结果及分析 | 第45-47页 |
| 5.4 本章小结 | 第47-48页 |
| 第六章 总结与展望 | 第48-50页 |
| 6.1 论文内容回顾和总结 | 第48-49页 |
| 6.2 工作展望 | 第49-50页 |
| 参考文献 | 第50-55页 |
| 致谢 | 第55页 |
