| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 论文研究的背景与意义 | 第11页 |
| 1.2 图像复原技术的发展 | 第11-17页 |
| 1.2.1 图像去噪算法研究现状分析 | 第12-13页 |
| 1.2.1.1 传统的滤波去噪算法 | 第12页 |
| 1.2.1.2 稀疏去噪算法 | 第12-13页 |
| 1.2.2 图像去模糊算法研究现状分析 | 第13页 |
| 1.2.2.1 经典复原算法 | 第13页 |
| 1.2.2.2 盲复原算法 | 第13页 |
| 1.2.3 图像超分辨率算法研究现状分析 | 第13-15页 |
| 1.2.3.1 基于插值的超分辨率算法 | 第14页 |
| 1.2.3.2 基于重构的超分辨率算法 | 第14页 |
| 1.2.3.3 基于学习的超分辨率算法 | 第14-15页 |
| 1.2.4 稀疏理论的发展现状分析 | 第15-16页 |
| 1.2.5 图像复原现阶段存在问题 | 第16-17页 |
| 1.3 论文的主要工作和结构安排 | 第17-19页 |
| 第二章 图像去噪方法概述 | 第19-27页 |
| 2.1 自然图像的噪声分类及噪声模型 | 第19-21页 |
| 2.2 图像去噪的经典方法 | 第21-26页 |
| 2.2.1 空间域去噪 | 第21-23页 |
| 2.2.2 变换域去噪 | 第23-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 图像的稀疏表示理论 | 第27-37页 |
| 3.1 稀疏表示概述 | 第27页 |
| 3.2 图像的过完备稀疏表示 | 第27-35页 |
| 3.2.1 图像的过完备稀疏表示模型 | 第28页 |
| 3.2.2 稀疏分解算法 | 第28-31页 |
| 3.2.2.1 松弛优化算法 | 第29页 |
| 3.2.2.2 贪婪追踪算法 | 第29-31页 |
| 3.2.2.3 组合优化算法 | 第31页 |
| 3.2.3 过完备字典的设计 | 第31-32页 |
| 3.2.3.1 解析型字典 | 第32页 |
| 3.2.3.2 学习型字典 | 第32页 |
| 3.2.4 过完备字典的学习方法 | 第32-35页 |
| 3.2.4.1 MOD | 第33页 |
| 3.2.4.2 K-SVD | 第33-34页 |
| 3.2.4.3 其他字典学习算法 | 第34-35页 |
| 3.3 本章小结 | 第35-37页 |
| 第四章 基于IKPPCA字典的稀疏去噪 | 第37-47页 |
| 4.1 KPCA字典概述 | 第37-39页 |
| 4.1.1 K均值聚类算法 | 第37-38页 |
| 4.1.2 PCA原理 | 第38-39页 |
| 4.2 K均值改进算法 | 第39-40页 |
| 4.3 字典噪声剔除原理 | 第40-41页 |
| 4.3.1 噪声块剔除原理 | 第40页 |
| 4.3.2 噪声原子剔除原理 | 第40-41页 |
| 4.4 IKPPCA字典 | 第41-45页 |
| 4.4.1 字典构造流程 | 第41-42页 |
| 4.4.2 性能测试 | 第42-45页 |
| 4.5 本章小结 | 第45-47页 |
| 第五章 基于改进非局部加权稀疏表示模型的稀疏去噪 | 第47-59页 |
| 5.1 稀疏表示模型概述 | 第47-48页 |
| 5.2 非局部加权稀疏表示模型(NWSR) | 第48-51页 |
| 5.3 改进的非局部加权稀疏表示模型(INWSR) | 第51-52页 |
| 5.4 算法流程 | 第52-53页 |
| 5.5 实验及结果分析 | 第53-57页 |
| 5.6 小结 | 第57-59页 |
| 第六章 基于GUI界面的稀疏复原算法分析 | 第59-69页 |
| 6.1 运行及开发环境介绍 | 第59页 |
| 6.1.1 运行环境 | 第59页 |
| 6.1.2 开发环境 | 第59页 |
| 6.2 仿真系统图形用户界面设计 | 第59-62页 |
| 6.3 仿真实验及分析 | 第62-67页 |
| 6.3.1 INWSR在图像去模糊方面的应用 | 第62-65页 |
| 6.3.2 INWSR在图像超分辨率方面的应用 | 第65-67页 |
| 6.4 本章小结 | 第67-69页 |
| 第七章 总结与展望 | 第69-71页 |
| 7.1 论文工作总结 | 第69-70页 |
| 7.2 工作展望 | 第70-71页 |
| 致谢 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 附录：硕士期间研究成果 | 第77页 |