| 摘要 | 第8-10页 |
| Abstract | 第10-11页 |
| 第一章 绪论 | 第12-28页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 图像退化模型 | 第13-17页 |
| 1.2.1 模糊核 | 第13-15页 |
| 1.2.2 噪声类型 | 第15-17页 |
| 1.3 图像复原的一般方法 | 第17-26页 |
| 1.3.1 基于滤波的方法 | 第17-19页 |
| 1.3.2 基于正则化的方法 | 第19-25页 |
| 1.3.3 基于稀疏表示的方法 | 第25-26页 |
| 1.4 本文的主要工作和创新点 | 第26-27页 |
| 1.5 本文内容安排 | 第27-28页 |
| 第二章 稀疏表示理论基础 | 第28-46页 |
| 2.1 引言 | 第28-30页 |
| 2.2 基于分析的方法 | 第30-39页 |
| 2.2.1 从傅里叶变换到小波变换 | 第30-32页 |
| 2.2.3 紧小波框架 | 第32-39页 |
| 2.3 基于学习的方法 | 第39-45页 |
| 2.3.1 字典学习的核心问题 | 第40页 |
| 2.3.2 最优方向方法(method of optimal directions,MOD) | 第40-41页 |
| 2.3.3 正交基的并联(Union of Unitary Bases) | 第41-43页 |
| 2.3.4 K-SVD字典学习算法 | 第43-45页 |
| 2.4 本章小结 | 第45-46页 |
| 第三章 高斯噪声情况下的基于确定字典的图像复原 | 第46-59页 |
| 3.1 引言 | 第46-47页 |
| 3.2 本文设计的模型及其求解算法 | 第47-52页 |
| 3.2.1 本文设计的模型 | 第47-49页 |
| 3.2.2 设计的算法 | 第49-52页 |
| 3.3. 实验结果及其分析 | 第52-58页 |
| 3.3.1 与全变分方法比较 | 第53-56页 |
| 3.3.2 与小波正则化的比较 | 第56-58页 |
| 3.4 结论 | 第58-59页 |
| 第四章 脉冲噪声情况下的基于确定字典的图像复原 | 第59-79页 |
| 4.1 引言 | 第59-61页 |
| 4.2 数值算法 | 第61-66页 |
| 4.2.1 求解v-子问题 | 第63-64页 |
| 4.2.2 求解y-子问题 | 第64页 |
| 4.2.3 求解x-子问题 | 第64-65页 |
| 4.2.4 求解z-子问题 | 第65-66页 |
| 4.3 实验结果 | 第66-78页 |
| 4.5 本章小结 | 第78-79页 |
| 第五章 基于自适应字典的图像复原 | 第79-100页 |
| 5.1 引言 | 第79-81页 |
| 5.2 二阶段图像去噪方法 | 第81-84页 |
| 5.2.1 噪声模型 | 第81页 |
| 5.2.2 噪声检测 | 第81-82页 |
| 5.2.3 基于稀疏表示的图像复原方法 | 第82-84页 |
| 5.3 数值计算 | 第84-88页 |
| 5.3.1 求解z_(ij)-子问题 | 第85-86页 |
| 5.3.2 求解α_(ij)-子问题 | 第86-87页 |
| 5.3.3 求解D-子问题 | 第87-88页 |
| 5.4 实验结果 | 第88-99页 |
| 5.4.1 关于去除椒盐噪声的比较 | 第91-94页 |
| 5.4.2 关于随机值噪声去除的比较 | 第94-98页 |
| 5.4.3 真实数据的比较 | 第98-99页 |
| 5.5 本章小结 | 第99-100页 |
| 第六章 总结与展望 | 第100-102页 |
| 6.1 主要工作总结 | 第100页 |
| 6.2 未来工作展望 | 第100-102页 |
| 参考文献 | 第102-117页 |
| 攻读博士学位期间以第一作者身份发表的学术论文 | 第117-118页 |
| 致谢 | 第118页 |