基于稀疏优化学习的图像建模方法
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 缩略语对照表 | 第15-22页 |
| 第一章 绪论 | 第22-32页 |
| 1.1 稀疏域 | 第22-24页 |
| 1.1.1 欠定线性系统 | 第22-23页 |
| 1.1.2 稀疏域模型 | 第23-24页 |
| 1.2 稀疏表示发展历史及研究现状 | 第24-27页 |
| 1.2.1 调和分析 | 第25页 |
| 1.2.2 多尺度几何分析 | 第25-26页 |
| 1.2.3 超完备字典学习 | 第26-27页 |
| 1.3 图像稀疏表示面临的挑战和拟解决思路 | 第27-30页 |
| 1.3.1 受限等距性质的限制 | 第27页 |
| 1.3.2 稀疏性和不确定性 | 第27-28页 |
| 1.3.3 全局结构性的缺失 | 第28-29页 |
| 1.3.4 非紧凑性与高复杂度 | 第29页 |
| 1.3.5 耦合性过强 | 第29-30页 |
| 1.4 论文的主要内容 | 第30-32页 |
| 第二章 基于进化正交匹配追踪的压缩感知图像重构 | 第32-50页 |
| 2.1 引言 | 第32-33页 |
| 2.2 传统匹配追踪算法 | 第33-34页 |
| 2.3 基于进化正交匹配追踪的压缩感知重构算法 | 第34-38页 |
| 2.3.1 编码与解码 | 第35页 |
| 2.3.2 适应度函数 | 第35页 |
| 2.3.3 种群初始化 | 第35-36页 |
| 2.3.4 进化策略 | 第36-38页 |
| 2.3.5 算法描述 | 第38页 |
| 2.4 实验结果与分析 | 第38-49页 |
| 2.4.1 收敛性分析 | 第39-40页 |
| 2.4.2 参数分析与选择 | 第40-41页 |
| 2.4.3 一维信号重构实验 | 第41-43页 |
| 2.4.4 图像信号重构实验 | 第43-49页 |
| 2.4.5 复杂度分析 | 第49页 |
| 2.5 本章小结 | 第49-50页 |
| 第三章 基于高斯模型和进化优化的图像表示框架 | 第50-74页 |
| 3.1 引言 | 第50-52页 |
| 3.2 超完备字典图像建模 | 第52-55页 |
| 3.2.1 分段线性估计器 | 第52-54页 |
| 3.2.2 基于进化计算的压缩感知重构 | 第54-55页 |
| 3.3 一种基于高斯模型和进化计算的图像表示框架 | 第55-63页 |
| 3.3.1 基于高斯模型的光滑图像块重构方法 | 第55-58页 |
| 3.3.2 基于进化优化的复杂图像块重构方法 | 第58-63页 |
| 3.4 实验结果与分析 | 第63-72页 |
| 3.4.1 实验设置 | 第63-64页 |
| 3.4.2 参数分析与选择 | 第64-66页 |
| 3.4.3 压缩感知重构实验 | 第66-67页 |
| 3.4.4 随机填充实验 | 第67-71页 |
| 3.4.5 超分辨实验 | 第71页 |
| 3.4.6 复杂度分析 | 第71-72页 |
| 3.5 本章小结 | 第72-74页 |
| 第四章 基于高斯混合模型的低秩图像修复 | 第74-90页 |
| 4.1 引言 | 第74-75页 |
| 4.2 核范数最小化 | 第75-77页 |
| 4.3 高斯混合模型 | 第77页 |
| 4.4 基于高斯混合模型的低秩图像修复 | 第77-80页 |
| 4.4.1 GMM-NNR模型 | 第77-78页 |
| 4.4.2 高斯参数求解 | 第78页 |
| 4.4.3 修复图像求解 | 第78-79页 |
| 4.4.4 算法总结与分析 | 第79-80页 |
| 4.5 实验结果与分析 | 第80-88页 |
| 4.5.1 实验设置 | 第80页 |
| 4.5.2 参数分析与选择 | 第80-82页 |
| 4.5.3 收敛性分析 | 第82页 |
| 4.5.4 随机填充实验 | 第82-85页 |
| 4.5.5 祛除文字实验 | 第85-87页 |
| 4.5.6 复杂度分析 | 第87-88页 |
| 4.6 本章小结 | 第88-90页 |
| 第五章 基于深度学习的人脸画像合成 | 第90-112页 |
| 5.1 引言 | 第90-92页 |
| 5.2 卷积神经网络 | 第92-93页 |
| 5.3 基于卷积神经网络的人脸画像合成 | 第93-97页 |
| 5.3.1 FSSN模型 | 第93-95页 |
| 5.3.2 模型训练 | 第95-96页 |
| 5.3.3 FSSN与稀疏表示的关系 | 第96-97页 |
| 5.4 实验结果与分析 | 第97-110页 |
| 5.4.1 实验设置 | 第97页 |
| 5.4.2 网络学习结果 | 第97-98页 |
| 5.4.3 参数分析与选择 | 第98-102页 |
| 5.4.4 池化层对模型效果的影响 | 第102-103页 |
| 5.4.5 人脸画像合成对比实验 | 第103-108页 |
| 5.4.6 RGB彩色空间扩展 | 第108-110页 |
| 5.5 本章小结 | 第110-112页 |
| 第六章 基于半耦合卷积稀疏编码的图像超分辨 | 第112-128页 |
| 6.1 引言 | 第112-113页 |
| 6.2 卷积稀疏编码 | 第113-114页 |
| 6.3 基于半耦合卷积稀疏编码的图像超分辨方法 | 第114-119页 |
| 6.3.1 半耦合卷积稀疏编码模型 | 第114-115页 |
| 6.3.2 模型求解 | 第115-119页 |
| 6.3.3 算法描述 | 第119页 |
| 6.4 实验结果与分析 | 第119-126页 |
| 6.4.1 实验设置 | 第119页 |
| 6.4.2 参数分析与选择 | 第119-121页 |
| 6.4.3 收敛性分析 | 第121-122页 |
| 6.4.4 图像超分辨实验结果 | 第122-123页 |
| 6.4.5 复杂度分析 | 第123-126页 |
| 6.5 本章小结 | 第126-128页 |
| 第七章 结论和展望 | 第128-132页 |
| 7.1 总结与讨论 | 第128-129页 |
| 7.2 工作展望 | 第129-132页 |
| 参考文献 | 第132-144页 |
| 致谢 | 第144-146页 |
| 作者简介 | 第146-148页 |
