| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 课题研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状及分析 | 第13-17页 |
| 1.2.1 空域滤波技术的研究现状 | 第14-15页 |
| 1.2.2 频域滤波技术的研究现状 | 第15-16页 |
| 1.2.3 稀疏表示理论的发展现状 | 第16-17页 |
| 1.3 课题研究的内容 | 第17-19页 |
| 第二章 字典学习算法 | 第19-29页 |
| 2.1 稀疏表示理论 | 第19-21页 |
| 2.1.1 稀疏分解 | 第19-20页 |
| 2.1.2 OMP算法 | 第20-21页 |
| 2.2 字典学习算法 | 第21-23页 |
| 2.2.1 MOD算法 | 第22页 |
| 2.2.2 K-SVD算法 | 第22-23页 |
| 2.3 基于MOD和AK-SVD的字典学习算法 | 第23-25页 |
| 2.4 数值实验 | 第25-28页 |
| 2.4.1 合成数据实验 | 第25-27页 |
| 2.4.2 图块字典学习实验 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于稀疏表示的图像去噪 | 第29-42页 |
| 3.1 基于正则化约束的图像去噪模型 | 第29-30页 |
| 3.2 基于稀疏表示的图像去噪模型 | 第30-33页 |
| 3.2.1 基于图块的处理方法 | 第30-31页 |
| 3.2.2 基于稀疏正则化的图像去噪模型 | 第31-33页 |
| 3.3 优化基于稀疏表示的图像去噪框架 | 第33-34页 |
| 3.4 图像质量评价法 | 第34-35页 |
| 3.4.1 主观评价方法 | 第34页 |
| 3.4.2 客观评价方法 | 第34-35页 |
| 3.5 实验结果 | 第35-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第四章 基于非局部自相似性和稀疏表示的图像去噪算法 | 第42-61页 |
| 4.1 基于结构相似性的度量方法 | 第42-45页 |
| 4.1.1 常用相似性度量方法 | 第42-43页 |
| 4.1.2 基于结构相似性的度量方法 | 第43-45页 |
| 4.2 非局部中心化稀疏表示算法 | 第45-49页 |
| 4.2.1 中心化稀疏表示模型 | 第45-46页 |
| 4.2.2 迭代收缩算法 | 第46-47页 |
| 4.2.3 非局部中心化稀疏编码估计 | 第47-48页 |
| 4.2.4 基于SSIM的NCSR算法 | 第48-49页 |
| 4.2.5 算法描述 | 第49页 |
| 4.3 空间自适应迭代奇异值阈(SAIST)算法 | 第49-53页 |
| 4.3.1 基于低秩的联合稀疏编码模型 | 第49-50页 |
| 4.3.2 自适应奇异阈值设计 | 第50-52页 |
| 4.3.3 基于SSIM的SAIST算法 | 第52-53页 |
| 4.3.4 算法描述 | 第53页 |
| 4.4 仿真实验和结果分析 | 第53-60页 |
| 4.5 本章小结 | 第60-61页 |
| 结论与展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 攻读硕士学位期间发表的论文 | 第68-70页 |
| 致谢 | 第70页 |