首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

图像恢复与Pan-sharpening的高阶变分模型及算法

摘要第5-7页
Abstract第7-9页
1 绪论第13-29页
    1.1 问题背景及研究意义第13-15页
    1.2 图像处理变分模型的关键问题第15-16页
    1.3 国内外研究现状与评述第16-25页
        1.3.1 图像恢复问题第16-20页
        1.3.2 Pan-sharpening问题第20-25页
    1.4 论文的主要研究工作第25-29页
        1.4.1 论文的主要成果及创新点第25-27页
        1.4.2 论文的组织结构第27-29页
2 高阶全变差正则化图像恢复方法第29-70页
    2.1 引言第29-30页
    2.2 已有的高阶全变差模型及其MM算法分析第30-32页
        2.2.1 高阶全变差的定义第30-31页
        2.2.2 高阶全变差正则化图像恢复模型及MM算法分析第31-32页
    2.3 高阶全变差的等价表示及性质分析第32-35页
    2.4 基于解耦的高阶全变差正则化图像恢复模型及快速算法第35-51页
        2.4.1 提出的解耦变分模型及模型分析第35-37页
        2.4.2 模型求解的IWDFPGD算法第37-40页
        2.4.3 算法收敛性分析第40-43页
        2.4.4 实验结果比较与分析第43-51页
            2.4.4.1 实验设置第43-44页
            2.4.4.2 不同方法的恢复结果比较与性能分析第44-51页
    2.5 高阶全变差正则化乘性噪声抑制方法第51-68页
        2.5.1 高阶全变差正则化乘性噪声抑制模型第51-53页
        2.5.2 模型求解的交替迭代最小化算法第53-55页
        2.5.3 算法收敛性分析第55-56页
        2.5.4 实验结果比较与分析第56-68页
            2.5.4.1 实验设置第56-57页
            2.5.4.2 不同测试图像数据集上的实验结果分析第57-68页
    2.6 本章小结第68-70页
3 混合高阶全变差正则化图像恢复方法第70-88页
    3.1 引言第70页
    3.2 混合高阶全变差正则化图像恢复模型第70-74页
        3.2.1 混合高阶全变差及模型的提出第70-72页
        3.2.2 混合高阶全变差的等价表示性质第72-74页
    3.3 模型求解的MFISTA算法第74-78页
    3.4 实验结果比较与分析第78-87页
        3.4.1 实验设置第78-79页
        3.4.2 自然图像测试集上的恢复结果分析第79-84页
        3.4.3 生物医学图像测试集上的恢复结果分析第84-87页
    3.5 本章小结第87-88页
4 空间Hessian特征驱动的变分Pan-sharpening方法第88-128页
    4.1 引言第88-89页
    4.2 典型变分Pan-sharpening模型及其分析第89-91页
        4.2.1 Pan-sharpening问题描述第89页
        4.2.2 典型变分Pan-sharpening模型及分析第89-91页
    4.3 提出的变分Pan-sharpening模型第91-98页
        4.3.1 基于观测模型的光谱信息保真项第92页
        4.3.2 Hessian特征驱动的空间信息保持项第92-98页
            4.3.2.1 建模动机第92-95页
            4.3.2.2 提出的空间信息保持项第95-98页
        4.3.3 空间Hessian特征驱动的变分Pan-sharpening模型:SHFGVP模型第98页
    4.4 模型求解的前向后向分裂算法第98-101页
    4.5 实验结果与分析第101-127页
        4.5.1 实验数据集和实验设置第101-102页
        4.5.2 质量评价指标第102-105页
        4.5.3 参数选取第105-106页
        4.5.4 仿真数据实验第106-121页
        4.5.5 真实数据实验第121-125页
        4.5.6 计算效率分析与比较第125-127页
    4.6 本章小结第127-128页
5 高阶几何结构信息迁移的变分Pan-sharpening方法第128-154页
    5.1 引言第128-129页
    5.2 提出的变分Pan-sharpening模型第129-134页
        5.2.1 基于观测模型的光谱信息保真项第129页
        5.2.2 基于Wavelet融合的光谱信息保真项第129-130页
        5.2.3 提出的高阶几何结构信息迁移项第130-133页
        5.2.4 高阶几何结构信息迁移的变分Pan-sharpening模型第133-134页
    5.3 模型求解的FISTA算法第134-136页
    5.4 实验结果与分析第136-152页
        5.4.1 实验设置第136-137页
        5.4.2 仿真数据实验第137-146页
        5.4.3 真实数据实验第146-151页
        5.4.4 计算效率分析与比较第151-152页
    5.5 本章小结第152-154页
6 总结与展望第154-157页
    6.1 本论文工作总结第154-155页
    6.2 未来工作展望第155-157页
致谢第157-158页
参考文献第158-170页
附录第170-174页
攻读博士学位期间发表论文与出版著作情况第174-176页
攻读博士学位期间参加课题及资助基金情况第176页

论文共176页,点击 下载论文
上一篇:基于字典学习算法的遥感图像复原及其应用研究
下一篇:多细胞随机性方法运动分析研究