| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 综合稀疏模型研究现状 | 第11-12页 |
| 1.2.2 Cosparse解析模型研究现状 | 第12-13页 |
| 1.3 研究内容及结构安排 | 第13-15页 |
| 第2章 压缩感知基本理论 | 第15-25页 |
| 2.1 引言 | 第15-16页 |
| 2.2 压缩感知理论的核心问题 | 第16-23页 |
| 2.2.1 信号的稀疏表示 | 第16-18页 |
| 2.2.2 测量矩阵设计 | 第18-19页 |
| 2.2.3 信号的重构 | 第19-23页 |
| 2.3 压缩感知理论的应用 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 融合综合模型与解析模型的压缩感知 | 第25-38页 |
| 3.1 求解凸优化问题的数学方法 | 第25-26页 |
| 3.1.1 增广拉格朗日法 | 第25页 |
| 3.1.2 交替方向乘子法 | 第25-26页 |
| 3.2 图像分块压缩感知 | 第26-28页 |
| 3.3 融合两种稀疏先验的图像重构算法 | 第28-33页 |
| 3.3.1 l0范数最小化算法SAL0 | 第28-30页 |
| 3.3.2 l1范数最小化算法SAL1 | 第30-31页 |
| 3.3.3 lp范数最小化算法SALP | 第31-33页 |
| 3.4 实验结果及分析 | 第33-37页 |
| 3.4.1 图像质量的评价标准 | 第33-34页 |
| 3.4.2 实验结果 | 第34-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 融合两种模型及自适应字典学习的压缩感知 | 第38-51页 |
| 4.1 引言 | 第38-39页 |
| 4.2 过完备字典学习 | 第39-43页 |
| 4.2.1 综合字典学习算法 | 第39-42页 |
| 4.2.2 解析字典学习算法 | 第42-43页 |
| 4.3 融合两种模型及自适应字典学习的重构算法 | 第43-46页 |
| 4.3.1 SAL1-ADL算法 | 第43-44页 |
| 4.3.2 算法实现 | 第44-46页 |
| 4.4 实验结果及分析 | 第46-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第5章 基于COSPARSE模型的自适应MR图像重构 | 第51-61页 |
| 5.1 引言 | 第51页 |
| 5.2 基于压缩感知理论的MR图像重构 | 第51-53页 |
| 5.2.1 K空间 | 第51-52页 |
| 5.2.2 CS-MRI图像重构 | 第52-53页 |
| 5.3 融合两种模型的自适应MR图像重构 | 第53-56页 |
| 5.3.1 基于字典学习的MR图像重构 | 第53-54页 |
| 5.3.2 FSA-DLMRI算法 | 第54-56页 |
| 5.4 实验结果及分析 | 第56-60页 |
| 5.5 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第68-69页 |
| 致谢 | 第69-70页 |
| 作者简介 | 第70页 |