基于稀疏表示理论的数字图像质量提高方法研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第1章 绪论 | 第11-16页 |
| ·论文研究的背景意义 | 第11-13页 |
| ·国内外发展现状 | 第13-15页 |
| ·论文主要工作及章节安排 | 第15-16页 |
| 第2章 图像复原的稀疏表示以及流形学习基础 | 第16-26页 |
| ·引言 | 第16页 |
| ·稀疏逼近理论 | 第16-18页 |
| ·图像复原的稀疏表示 | 第18-22页 |
| ·过完备字典学习 | 第19-22页 |
| ·流形学习理论 | 第22-25页 |
| ·算法背景 | 第22-24页 |
| ·流形学习算法 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 最优化问题的数学求解模型 | 第26-34页 |
| ·引言 | 第26-27页 |
| ·酉矩阵优化 | 第27-28页 |
| ·迭代收缩算法 | 第28-32页 |
| ·替代函数和最邻近算法 | 第28-29页 |
| ·并行坐标下降法 | 第29页 |
| ·算法加速 | 第29-31页 |
| ·惩罚项修改 | 第31-32页 |
| ·迭代收缩法性能对比 | 第32-33页 |
| ·总结 | 第33-34页 |
| 第4章 基于结构正则化和统计学特征的图像复原 | 第34-45页 |
| ·引言 | 第34页 |
| ·图像退化分析 | 第34-35页 |
| ·图像重建模型 | 第35-37页 |
| ·局部结构正则化 | 第35-36页 |
| ·非局部结构正则化 | 第36-37页 |
| ·新的图像复原算法 | 第37-38页 |
| ·稀疏编码 | 第37-38页 |
| ·字典学习 | 第38页 |
| ·算法过程 | 第38-39页 |
| ·实验结果 | 第39-44页 |
| ·图像去噪 | 第39-40页 |
| ·图像去模糊 | 第40-43页 |
| ·图像超分辨率重建 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第5章 基于矩阵分解和几何结构特征的图像复原 | 第45-59页 |
| ·引言 | 第45页 |
| ·矩阵分解 | 第45-48页 |
| ·奇异值分解 | 第45-46页 |
| ·非负矩阵分解 | 第46-47页 |
| ·潜在语义索引 | 第47-48页 |
| ·基于矩阵分解和拉普拉斯特征映射的图像复原方法 | 第48-53页 |
| ·流形到图的映射 | 第48-49页 |
| ·k-NN图加权方式的选择 | 第49-50页 |
| ·拉普拉斯特征矩阵求解 | 第50-51页 |
| ·字典学习过程 | 第51-52页 |
| ·稀疏分解过程 | 第52页 |
| ·算法过程 | 第52-53页 |
| ·时间复杂度 | 第53页 |
| ·实验结果 | 第53-58页 |
| ·图像去噪 | 第53-54页 |
| ·图像去模糊 | 第54-55页 |
| ·图像超分辨率 | 第55-58页 |
| ·本章小结 | 第58-59页 |
| 第6章 总结与展望 | 第59-61页 |
| ·总结 | 第59-60页 |
| ·展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 附录 | 第68页 |
