| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题的背景及研究意义 | 第8-9页 |
| 1.2 国内外发展现状 | 第9-13页 |
| 1.2.1 传统复原方法 | 第10-11页 |
| 1.2.2 神经网络图像复原的方法 | 第11页 |
| 1.2.3 稀疏算法 | 第11-13页 |
| 1.3 本文的主要研究内容和章节安排 | 第13-14页 |
| 第二章 图像复原理论 | 第14-22页 |
| 2.1 图像复原基础知识 | 第14-15页 |
| 2.2 退化模型 | 第15-18页 |
| 2.2.1 图像退化的连续模型 | 第15-17页 |
| 2.2.2 图像退化的离散模型 | 第17-18页 |
| 2.3 稀疏表示的相关理论 | 第18-19页 |
| 2.4 图像质量的评价方法 | 第19-20页 |
| 2.5 本章小结 | 第20-22页 |
| 第三章 基于字典学习的大气湍流图像复原 | 第22-31页 |
| 3.1 研究背景 | 第22页 |
| 3.2 大气湍流退化图像概述 | 第22-23页 |
| 3.3 正交匹配追踪算法(Orthogonal Matching Pursuit-OMP) | 第23页 |
| 3.4 字典学习 | 第23-25页 |
| 3.4.1 DCT过完备字典学习 | 第24页 |
| 3.4.2 K-svd全局字典学习 | 第24-25页 |
| 3.4.3 自适应字典 | 第25页 |
| 3.5 实验与结果分析 | 第25-30页 |
| 3.6 本章小结 | 第30-31页 |
| 第四章 基于正则化的图像复原 | 第31-42页 |
| 4.1 研究背景 | 第31页 |
| 4.2 稀疏正则化方法 | 第31-32页 |
| 4.3 非局部相似性 | 第32-33页 |
| 4.4 初始化聚类中心的K均值（K-means）算法 | 第33页 |
| 4.5 图像复原模型 | 第33-34页 |
| 4.6 算法过程 | 第34-35页 |
| 4.7 实验结果分析 | 第35-41页 |
| 4.8 本章小结 | 第41-42页 |
| 第五章 结论 | 第42-44页 |
| 5.1 总结 | 第42页 |
| 5.2 工作展望 | 第42-44页 |
| 致谢 | 第44-46页 |
| 参考文献 | 第46-50页 |
| 作者简介 | 第50页 |
| 攻读硕士学位期间研究成果 | 第50页 |