| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 符号对照表 | 第14-16页 |
| 缩略语对照表 | 第16-23页 |
| 第一章 绪论 | 第23-37页 |
| 1.1 压缩感知的基本概念 | 第23页 |
| 1.2 压缩感知的关键问题及其数学描述 | 第23-29页 |
| 1.2.1 信号的稀疏表示 | 第23-24页 |
| 1.2.2 观测矩阵的设计 | 第24-25页 |
| 1.2.3 信号的重建算法 | 第25-29页 |
| 1.3 压缩感知研究面临的挑战 | 第29页 |
| 1.4 分块压缩感知 | 第29-34页 |
| 1.4.1 分块压缩感知的研究与进展 | 第29-30页 |
| 1.4.2 基于小波域多尺度压缩感知的分块压缩感知算法 | 第30-31页 |
| 1.4.3 基于图像域分块的分块压缩感知算法 | 第31-32页 |
| 1.4.4 分块压缩感知存在的问题 | 第32-34页 |
| 1.5 本论文的研究目的及结构安排 | 第34-37页 |
| 1.5.1 论文的研究目的 | 第34页 |
| 1.5.2 论文的结构安排 | 第34-37页 |
| 第二章 自适应动态进化数值优化方法 | 第37-53页 |
| 2.1 引言 | 第37-38页 |
| 2.2 种群规模自适应动态控制策略 | 第38-42页 |
| 2.2.1 动态控制策略的框架 | 第38-39页 |
| 2.2.2 基于Logistic模型的增加/删除数目自适应变化的方法 | 第39-41页 |
| 2.2.3 增加/删除算子设计 | 第41-42页 |
| 2.3 算法的实现策略 | 第42-44页 |
| 2.4 算法的时间复杂度分析 | 第44页 |
| 2.5 数值测试函数对比实验与结果分析 | 第44-49页 |
| 2.5.1 参数设置 | 第45页 |
| 2.5.2 SaDCPS策略中不同改进点的实验结果与分析 | 第45-46页 |
| 2.5.3 经典测试函数的对比实验与结果分析 | 第46-48页 |
| 2.5.4 CEC05测试函数的对比实验与结果分析 | 第48-49页 |
| 2.6 本章小结 | 第49-53页 |
| 第三章 自适应协同进化压缩感知算法 | 第53-67页 |
| 3.1 引言 | 第53-54页 |
| 3.2 CS问题的适应度函数设计 | 第54-55页 |
| 3.3 协作型协同进化的基本机理 | 第55-56页 |
| 3.3.1 协作型协同进化框架 | 第55页 |
| 3.3.2 改进的EACC-G算法 | 第55-56页 |
| 3.4 自适应协同进化的多尺度CS算法 | 第56-58页 |
| 3.4.1 CS重建问题的特点以及解决方法 | 第56-57页 |
| 3.4.2 ACE-MCS算法的实现策略 | 第57-58页 |
| 3.5 合成稀疏图像的CS重建实验与结果分析 | 第58-63页 |
| 3.5.1 参数设置 | 第60页 |
| 3.5.2 ACE-MCS算法的对比实验与结果分析 | 第60-63页 |
| 3.6 本章小结 | 第63-67页 |
| 第四章 基于边缘信息指导的协同进化自适应压缩感知算法 | 第67-85页 |
| 4.1 引言 | 第67-68页 |
| 4.2 基于边缘信息的多尺度CS自适应观测方法 | 第68-71页 |
| 4.2.1 EAM方法的主要思想 | 第68页 |
| 4.2.2 EAM方法的实现策略 | 第68-71页 |
| 4.3 基于边缘信息指导的协同进化自适应多尺度CS算法 | 第71-72页 |
| 4.3.1 ECEA-MCS算法的主要思想 | 第71页 |
| 4.3.2 ECEA-MCS算法的实现策略 | 第71-72页 |
| 4.4 医学和自然图像的CS重建实验与结果分析 | 第72-84页 |
| 4.4.1 EAM方法的对比实验与结果分析 | 第73-80页 |
| 4.4.2 ECEA-MCS算法的对比实验与结果分析 | 第80-84页 |
| 4.5 本章小结 | 第84-85页 |
| 第五章 基于纹理信息的分块自适应压缩感知算法 | 第85-105页 |
| 5.1 引言 | 第85页 |
| 5.2 基于纹理信息的分块自适应观测 | 第85-88页 |
| 5.3 基于纹理信息的自适应重建 | 第88-90页 |
| 5.3.1 自适应重建算法的基本框架 | 第88页 |
| 5.3.2 利用纹理信息的自适应收缩阈值 | 第88-90页 |
| 5.3.3 两种滤波器 | 第90页 |
| 5.4 分块自适应压缩感知算法的实现策略和时间复杂度分析 | 第90-92页 |
| 5.4.1 BACS算法的实现策略 | 第90页 |
| 5.4.2 BACS算法的时间复杂度分析 | 第90-92页 |
| 5.5 医学和自然图像的CS重建实验与结果分析 | 第92-104页 |
| 5.5.1 参数设置 | 第93页 |
| 5.5.2 BACS算法中不同改进策略的对比实验与结果分析 | 第93-95页 |
| 5.5.3 BACS算法整体性能的对比实验与结果分析 | 第95-104页 |
| 5.6 本章小结 | 第104-105页 |
| 第六章 基于视觉显著性的分块自适应压缩感知算法 | 第105-121页 |
| 6.1 引言 | 第105页 |
| 6.2 视觉显著性压缩采样方法的基本机理 | 第105-106页 |
| 6.3 基于视觉显著性的分块自适应压缩感知算法 | 第106-109页 |
| 6.3.1 基于视觉显著性的分块自适应观测 | 第106-108页 |
| 6.3.2 基于视觉显著性的自适应重建 | 第108-109页 |
| 6.4 SAR图像的CS重建实验与结果分析 | 第109-115页 |
| 6.4.1 参数设置 | 第110页 |
| 6.4.2 不同观测策略的对比实验与结果分析 | 第110-112页 |
| 6.4.3 自适应重建策略的对比实验与结果分析 | 第112-113页 |
| 6.4.4 VS-BACS整体性能的对比实验与结果分析 | 第113-115页 |
| 6.5 本章小结 | 第115-121页 |
| 第七章 非局部分块自适应压缩感知算法 | 第121-143页 |
| 7.1 引言 | 第121-122页 |
| 7.2 已有的两种非局部压缩感知算法 | 第122-125页 |
| 7.2.1 基于傅立叶变换的观测方法 | 第122-123页 |
| 7.2.2 递归空间自适应滤波CS重建算法的基本机理 | 第123-124页 |
| 7.2.3 非局部低秩CS重建算法的基本机理 | 第124-125页 |
| 7.3 图像域非局部分块自适应压缩感知算法 | 第125-127页 |
| 7.3.1 NBACS算法的主要思想 | 第125页 |
| 7.3.2 NBACS算法的实现策略 | 第125-127页 |
| 7.4 小波域多尺度非局部分块自适应压缩感知算法 | 第127页 |
| 7.4.1 NBA-MCS算法的主要思想 | 第127页 |
| 7.4.2 NBA-MCS算法的实现策略 | 第127页 |
| 7.5 复杂图像的CS重建实验与结果分析 | 第127-139页 |
| 7.5.1 参数设置 | 第128-129页 |
| 7.5.2 医学图像的对比实验与结果分析 | 第129-130页 |
| 7.5.3 自然图像的对比实验与结果分析 | 第130-135页 |
| 7.5.4 SAR图像的对比实验与结果分析 | 第135-139页 |
| 7.5.5 含噪声自然图像的对比实验与结果分析 | 第139页 |
| 7.6 本章小结 | 第139-143页 |
| 第八章 总结和展望 | 第143-147页 |
| 8.1 研究总结 | 第143-144页 |
| 8.2 研究展望 | 第144-147页 |
| 参考文献 | 第147-157页 |
| 致谢 | 第157-159页 |
| 作者简介 | 第159-161页 |
