| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 图像复原算法研究现状 | 第10-13页 |
| 1.3 本文研究内容及结构安排 | 第13-15页 |
| 2 图像复原基本理论 | 第15-26页 |
| 2.1 图像退化模型 | 第15-16页 |
| 2.2 图像复原的不适定性 | 第16-17页 |
| 2.3 正则化方法 | 第17页 |
| 2.4 贝叶斯理论 | 第17-19页 |
| 2.4.1 最大似然估计 | 第18页 |
| 2.4.2 最大后验概率估计 | 第18-19页 |
| 2.5 图像复原模型概述 | 第19-24页 |
| 2.5.1 维纳滤波去模糊模型 | 第19-20页 |
| 2.5.2 Richardson-Lucy(R-L)模型 | 第20页 |
| 2.5.3 全变分正则化模型 | 第20-21页 |
| 2.5.4 梯度稀疏正则化模型 | 第21-22页 |
| 2.5.5 字典学习与稀疏表示图像复原模型 | 第22-23页 |
| 2.5.6 结合多种先验信息的混合模型 | 第23-24页 |
| 2.6 图像复原质量评价 | 第24-25页 |
| 2.6.1 主观评价 | 第24页 |
| 2.6.2 客观评价 | 第24-25页 |
| 2.7 本章小结 | 第25-26页 |
| 3 自适应梯度稀疏去模糊模型 | 第26-46页 |
| 3.1 变量分裂框架 | 第26-29页 |
| 3.2 自适应梯度稀疏模型 | 第29-32页 |
| 3.3 GDD参数估计 | 第32-33页 |
| 3.4 半自适应方法 | 第33-35页 |
| 3.5 算法总结 | 第35-36页 |
| 3.6 实验仿真 | 第36-44页 |
| 3.7 本章小结 | 第44-46页 |
| 4 自适应混合先验图像去模糊 | 第46-64页 |
| 4.1 基础理论与方法 | 第46-49页 |
| 4.1.1 分析稀疏基本理论 | 第46-48页 |
| 4.1.2 增广拉格朗日方法 | 第48-49页 |
| 4.2 基于协稀疏的图像去模糊模型 | 第49-54页 |
| 4.2.1 普通协稀疏去模糊模型 | 第50-51页 |
| 4.2.2 分析字典学习 | 第51-52页 |
| 4.2.3 自适应协稀疏模型 | 第52-54页 |
| 4.3 自适应混合先验模型 | 第54-57页 |
| 4.4 自适应混合先验图像去模糊算法总结 | 第57-58页 |
| 4.5 实验仿真 | 第58-63页 |
| 4.6 本章小结 | 第63-64页 |
| 5 总结与展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-73页 |
| 附录一 | 第73-74页 |
| 附录二 | 第74-76页 |