| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 国内外研究现状及发展趋势 | 第11-13页 |
| 1.2.1 国内外研究现状 | 第11-12页 |
| 1.2.2 发展趋势 | 第12-13页 |
| 1.3 本文主要研究内容及结构安排 | 第13-15页 |
| 1.3.1 主要研究内容 | 第13-14页 |
| 1.3.2 全文结构安排 | 第14-15页 |
| 第二章 压缩感知理论综述 | 第15-23页 |
| 2.1 压缩感知理论简介 | 第15-16页 |
| 2.2 压缩感知关键技术 | 第16-21页 |
| 2.2.1 稀疏表示 | 第16-17页 |
| 2.2.2 测量矩阵 | 第17-20页 |
| 2.2.2.1 约束等距性 | 第18页 |
| 2.2.2.2 常用测量矩阵 | 第18-19页 |
| 2.2.2.3 非相干性 | 第19-20页 |
| 2.2.3 重构算法 | 第20-21页 |
| 2.3 压缩感知理论的应用 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于K-SVD字典学习的二维地震信号重建 | 第23-38页 |
| 3.1 引言 | 第23页 |
| 3.2 研究动机 | 第23-24页 |
| 3.3 地震信号重建方法简介 | 第24-25页 |
| 3.4 压缩感知框架下基于K-SVD字典学习的地震信号重建 | 第25-30页 |
| 3.4.1 压缩感知框架下地震信号重建模型 | 第25-26页 |
| 3.4.2 K-SVD字典学习 | 第26-28页 |
| 3.4.3 测量矩阵选取以及信号重建 | 第28-30页 |
| 3.5 地震信号重建实验及分析 | 第30-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第四章 基于压缩感知的稀疏度自适应图像修复 | 第38-48页 |
| 4.1 引言 | 第38页 |
| 4.2 研究动机 | 第38-39页 |
| 4.3 常见图像修复技术评述 | 第39页 |
| 4.4 基于压缩感知的稀疏度自适应图像修复 | 第39-42页 |
| 4.4.1 基于压缩感知理论的图像修复模型 | 第39-40页 |
| 4.4.2 稀疏度自适应正则化正交匹配追踪算法 | 第40-42页 |
| 4.5 数值实验和分析 | 第42-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第五章 基于形态成分分析的图像分层修复算法 | 第48-60页 |
| 5.1 引言 | 第48页 |
| 5.2 研究动机 | 第48页 |
| 5.3 MCA算法简介 | 第48-50页 |
| 5.3.1 算法描述 | 第48-49页 |
| 5.3.2 字典选择 | 第49-50页 |
| 5.4 基于MCA分解的的图像分层修复 | 第50-54页 |
| 5.4.1 基本思想 | 第50-51页 |
| 5.4.2 曲率驱动扩散(CDD)模型 | 第51-52页 |
| 5.4.3 Bregman迭代算法 | 第52-54页 |
| 5.5 数值试验和分析 | 第54-59页 |
| 5.6 本章小结 | 第59-60页 |
| 第六章 结论与展望 | 第60-62页 |
| 6.1 结论 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 攻读学位期间所取得的相关科研成果 | 第67-68页 |
| 致谢 | 第68-69页 |