| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 课题研究背景与意义 | 第9-10页 |
| 1.2 图像去噪的研究进展和现状 | 第10页 |
| 1.3 采样原理回顾 | 第10-13页 |
| 1.4 小波分析理论研究概况 | 第13-15页 |
| 1.5 小波神经网络研究概况 | 第15-17页 |
| 1.6 本文的主要研究内容 | 第17-19页 |
| 第二章 小波分析理论 | 第19-30页 |
| 2.1 小波的定义 | 第19-21页 |
| 2.1.1 连续小波变换 | 第19-20页 |
| 2.1.2 离散小波变换 | 第20-21页 |
| 2.2 多分辨分析理论和Mallat分解算法 | 第21-25页 |
| 2.2.1 多分辨分析 | 第21-23页 |
| 2.2.2 Mallat分解算法 | 第23-25页 |
| 2.3 几种基本小波 | 第25-26页 |
| 2.4 六阶样条尺度函数的构造 | 第26-27页 |
| 2.5 二维小波变换 | 第27-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 传统去噪方法分析 | 第30-36页 |
| 3.1 中值滤波 | 第30-31页 |
| 3.2 小波去噪 | 第31-33页 |
| 3.3 双边滤波 | 第33-34页 |
| 3.4 非局部均值滤波 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 小波神经网络去噪研究 | 第36-46页 |
| 4.1 小波神经网络模型选择 | 第36-37页 |
| 4.2 输入层权值的确定 | 第37-38页 |
| 4.3 隐层节点数的确定 | 第38页 |
| 4.4 输出层权值的确定 | 第38-42页 |
| 4.5 小波神经网络去噪能力 | 第42-45页 |
| 4.6 本章小结 | 第45-46页 |
| 第五章 基于图像模型的小波神经网络去噪研究 | 第46-62页 |
| 5.1 图像的数学模型的建立 | 第46-49页 |
| 5.2 基于图像模型的小波神经网络输入层权值确定算法 | 第49-52页 |
| 5.2.1 图像含有平稳噪声的输入层权值确定 | 第49-50页 |
| 5.2.2 图像含有非平稳噪声的输入层权值确定 | 第50-52页 |
| 5.2.3 图像边缘部分输入层权值确定 | 第52页 |
| 5.3 基于图像模型的小波神经网络隐层节点数确定 | 第52-57页 |
| 5.3.1 图片含有平稳噪声的隐层节点数确定 | 第52-53页 |
| 5.3.2 图片含有非平稳噪声的隐层节点数确定 | 第53-54页 |
| 5.3.3 图像边缘部分隐层节点数的确定 | 第54-57页 |
| 5.4 基于图像模型的小波神经网络输出层权值确定算法 | 第57-61页 |
| 5.4.1 图像含有平稳噪声的输出层权值确定 | 第58-59页 |
| 5.4.2 图片含有非平稳噪声的输出层权值确定 | 第59-60页 |
| 5.4.3 边缘部分的输出层权值确定 | 第60-61页 |
| 5.5 本章小结 | 第61-62页 |
| 第六章 实验仿真与验证 | 第62-73页 |
| 6.1 去噪效果评估方法 | 第62-64页 |
| 6.2 实验结果与分析 | 第64-72页 |
| 6.2.1 图像中只含有平稳噪声 | 第64-67页 |
| 6.2.2 图像中含有非平稳噪声 | 第67-72页 |
| 6.3 本章小结 | 第72-73页 |
| 第七章 总结与展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-77页 |
| 硕士期间的研究成果 | 第77页 |