| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第12-27页 |
| 1.1 问题背景及研究意义 | 第12-13页 |
| 1.2 图像复原方法研究现状 | 第13-23页 |
| 1.2.1 图像去噪方法 | 第14-15页 |
| 1.2.2 图像去模糊方法 | 第15-16页 |
| 1.2.3 图像超分辨率方法 | 第16-18页 |
| 1.2.4 字典学习方法 | 第18-23页 |
| 1.3 复原图像的质量评价方法 | 第23-24页 |
| 1.4 本文的主要研究工作 | 第24-27页 |
| 1.4.1 论文的主要成果及创新点 | 第24-25页 |
| 1.4.2 论文的组织结构 | 第25-27页 |
| 2 基于多尺度分数阶字典学习的图像去噪方法 | 第27-51页 |
| 2.1 引言 | 第27-28页 |
| 2.2 字典学习基础知识 | 第28-29页 |
| 2.2.1 图像的稀疏表示模型 | 第28-29页 |
| 2.2.2 基于字典学习的图像去噪 | 第29页 |
| 2.3 基于多尺度分数阶字典学习的图像去噪 | 第29-38页 |
| 2.3.1 偏离度分析 | 第30-33页 |
| 2.3.2 多尺度分数阶字典学习模型 | 第33-38页 |
| 2.4 实验结果与分析 | 第38-50页 |
| 2.4.1 多尺度分解必要性分析 | 第38-39页 |
| 2.4.2 图像块分类参数选择 | 第39-40页 |
| 2.4.3 实验结果比较 | 第40-50页 |
| 2.5 小结 | 第50-51页 |
| 3 基于非局部张量字典学习的图像去模糊方法 | 第51-76页 |
| 3.1 引言 | 第51-52页 |
| 3.2 张量的概念以及相关运算 | 第52-54页 |
| 3.2.1 张量的基本知识 | 第52-53页 |
| 3.2.2 高阶奇异值分解(HOSVD) | 第53-54页 |
| 3.3 非局部张量字典学习模型 | 第54-61页 |
| 3.3.1 构建多光谱图像的核心张量 | 第54-56页 |
| 3.3.2 基于HOSVD分解的核心张量稀疏表示模型 | 第56-57页 |
| 3.3.3 非局部张量字典学习模型 | 第57-61页 |
| 3.4 实验结果与分析 | 第61-74页 |
| 3.4.1 仿真实验 | 第63-72页 |
| 3.4.2 真实遥感图像 | 第72-74页 |
| 3.5 本章小结 | 第74-76页 |
| 4 基于自适应张量字典学习的图像超分辨率方法 | 第76-95页 |
| 4.1 引言 | 第76-77页 |
| 4.2 相关工作 | 第77-78页 |
| 4.2.1 低分辨率多光谱图像退化模型 | 第77页 |
| 4.2.2 基于联合字典学习的多光谱图像超分辨率 | 第77-78页 |
| 4.3 自适应张量字典学习模型 | 第78-85页 |
| 4.3.1 ATCDL模型构建 | 第79-81页 |
| 4.3.2 ATCDL模型参数估计 | 第81-84页 |
| 4.3.3 ATCDL算法描述及求解 | 第84-85页 |
| 4.4 实验结果与分析 | 第85-94页 |
| 4.4.1 仿真实验 | 第87-92页 |
| 4.4.2 仿真实验 | 第92-94页 |
| 4.5 本章小结 | 第94-95页 |
| 5 字典学习算法和稀疏分类在遥感图像几何定位精度评价中的应用 | 第95-114页 |
| 5.1 引言 | 第95-96页 |
| 5.2 基于字典学习和稀疏分类算法的几何定位精度评价 | 第96-101页 |
| 5.2.1 基于两级匹配策略的特征点提取 | 第96-98页 |
| 5.2.2 基于遥感图像辐射特征的稀疏分类算法 | 第98-100页 |
| 5.2.3 基于字典学习和稀疏分类的几何定位精度评价 | 第100-101页 |
| 5.3 实验结果与分析 | 第101-113页 |
| 5.3.1 遥感图像地物类型分类精度 | 第101-105页 |
| 5.3.2 特征点精度验证 | 第105-113页 |
| 5.4 本章小节 | 第113-114页 |
| 6 结论与展望 | 第114-117页 |
| 6.1 本论文工作总结 | 第114-115页 |
| 6.2 未来工作展望 | 第115-117页 |
| 致谢 | 第117-118页 |
| 参考文献 | 第118-130页 |
| 附录 | 第130-131页 |
