基于稀疏表示与字典学习的图像去噪算法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-15页 |
| ·引言 | 第7页 |
| ·研究意义 | 第7-8页 |
| ·数字图像的存储 | 第8-9页 |
| ·数据图像的采集 | 第9页 |
| ·噪声图像模型及噪声特性 | 第9-10页 |
| ·含噪模型 | 第9-10页 |
| ·噪声及其特性 | 第10页 |
| ·图像质量的评价 | 第10-12页 |
| ·主观评价法 | 第10-11页 |
| ·客观评价法 | 第11-12页 |
| ·本文组织安排 | 第12-15页 |
| 第二章 图像去噪综述及稀疏表示理论 | 第15-25页 |
| ·引言 | 第15页 |
| ·传统去噪方法介绍 | 第15-17页 |
| ·稀疏表示理论 | 第17-23页 |
| ·稀疏表示理论背景 | 第17-18页 |
| ·稀疏表示理论基础 | 第18-20页 |
| ·稀疏分解算法 | 第20-23页 |
| ·本章小结 | 第23-25页 |
| 第三章 基于稀疏表示与字典学习的图像去噪框架 | 第25-33页 |
| ·基于贝叶斯最大后验估计的图像稀疏模型 | 第25-27页 |
| ·小块图像的稀疏模型 | 第25页 |
| ·整个图像的稀疏模型 | 第25-26页 |
| ·模型的数字求解 | 第26-27页 |
| ·基于字典学习的稀疏性和冗余性 | 第27-30页 |
| ·基于干净的例子图像的字典学习 | 第27-28页 |
| ·基于噪声图像的字典学习与最终的去噪算法 | 第28-30页 |
| ·试验结果 | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 第四章 基于L组标准正交基的联合字典的图像去噪 | 第33-43页 |
| ·BCR算法 | 第33-35页 |
| ·字典只包含一个ONB的情况 | 第33-34页 |
| ·BCR算法—L-ONB联合字典的情况 | 第34页 |
| ·BCR算法的实验分析 | 第34-35页 |
| ·基于SVD分解的联合字典学习新算法 | 第35-37页 |
| ·SVD分解的原理 | 第35-36页 |
| ·L-ONB字典的学习 | 第36页 |
| ·改进的L-ONB字典学习算法 | 第36-37页 |
| ·基于L-ONB字典学习算法的实验结果及分析 | 第37-42页 |
| ·初始化字典的选择 | 第37页 |
| ·L-ONB字典学习 | 第37-38页 |
| ·去噪结果 | 第38-42页 |
| ·本章总结 | 第42-43页 |
| 第五章 总结与展望 | 第43-45页 |
| ·本文的工作总结 | 第43页 |
| ·工作展望 | 第43-45页 |
| 致谢 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 在读期间的主要研究成果 | 第51页 |
