| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 引言 | 第15页 |
| 1.2 图像去噪方法的研究现状 | 第15-17页 |
| 1.2.1 空域去噪技术 | 第16-17页 |
| 1.2.2 频域去噪技术 | 第17页 |
| 1.3 论文的主要工作和安排 | 第17-19页 |
| 第二章 图像的成像原理与经典的去噪算法 | 第19-27页 |
| 2.1 图像成像原理及噪声特征 | 第19-20页 |
| 2.1.1 自然图像的成像机理及噪声特点 | 第19页 |
| 2.1.2 SAR图像的成像机理及噪声特点 | 第19-20页 |
| 2.2 经典的SAR图像降斑方法 | 第20-22页 |
| 2.3 稀疏表示和KSVD算法 | 第22-24页 |
| 2.3.1 稀疏表示理论 | 第22-23页 |
| 2.3.2 KSVD字典学习 | 第23页 |
| 2.3.3 同步稀疏编码 | 第23-24页 |
| 2.4 图像质量的评价 | 第24-26页 |
| 2.4.1 主观评价方法 | 第24页 |
| 2.4.2 客观评价方法 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于NSCT与图像块近邻优化算法的SAR图像降斑方法 | 第27-47页 |
| 3.1 引言 | 第27页 |
| 3.2 非下采样轮廓波变换理论 | 第27-29页 |
| 3.3 基于NSCT与图像块近邻优化算法的SAR图像降斑 | 第29-35页 |
| 3.3.1 方向波域的斑点噪声估计 | 第29-30页 |
| 3.3.2 基于图像块的近邻优化算法 | 第30-34页 |
| 3.3.3 PNO算法所需参数的估计 | 第34-35页 |
| 3.4 算法步骤 | 第35-37页 |
| 3.5 实验结果与分析 | 第37-44页 |
| 3.6 本章小结 | 第44-47页 |
| 第四章 基于控制核回归与聚类集成的字典学习的图像去噪方法 | 第47-65页 |
| 4.1 引言 | 第47页 |
| 4.2 控制核回归权值 | 第47-48页 |
| 4.3 聚类集成理论 | 第48-50页 |
| 4.3.1 基于标签匹配的选择聚类集成方法 | 第48-49页 |
| 4.3.2 基于中心匹配的聚类集成方法 | 第49-50页 |
| 4.4 基于聚类集成与改进字典学习的图像去噪 | 第50-54页 |
| 4.4.1 基于控制核回归的聚类集成 | 第50-51页 |
| 4.4.2 字典的选择 | 第51-52页 |
| 4.4.3 改进的字典学习算法 | 第52-54页 |
| 4.5 算法步骤 | 第54-56页 |
| 4.6 实验结果与分析 | 第56-63页 |
| 4.7 本章小结 | 第63-65页 |
| 第五章 基于纹理增强与高斯比例混合模型下的联合稀疏编码的SAR图像降斑方法 | 第65-81页 |
| 5.1 引言 | 第65-66页 |
| 5.2 高斯比例混合模型下的联合稀疏编码 | 第66-69页 |
| 5.2.1 稀疏编码中存在的问题 | 第66页 |
| 5.2.2 基于高斯比例混合模型的联合稀疏编码 | 第66-69页 |
| 5.3 基于纹理增强与SSC-GSM的SAR图像降斑 | 第69-71页 |
| 5.3.1 基于聚类的梯度直方图估计 | 第69-71页 |
| 5.3.2 基于纹理增强与SSC-GSM的SAR图像降斑算法 | 第71页 |
| 5.4 算法步骤 | 第71-72页 |
| 5.5 实验结果与分析 | 第72-80页 |
| 5.6 本章小结 | 第80-81页 |
| 第六章 总结与展望 | 第81-85页 |
| 6.1 论文总结 | 第81-82页 |
| 6.2 展望未来 | 第82-85页 |
| 参考文献 | 第85-91页 |
| 致谢 | 第91-93页 |
| 作者简介 | 第93-94页 |
| 1.基本情况 | 第93页 |
| 2.教育背景 | 第93页 |
| 3.攻读硕士学位期间的研究成果 | 第93-94页 |
