聚类算法在图像修复上的应用
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 引言 | 第8-18页 |
| 1.1 研究背景及意义 | 第8-12页 |
| 1.2 图像修复研究现状 | 第12-15页 |
| 1.3 主要内容 | 第15页 |
| 1.4 本文组织结构 | 第15-18页 |
| 2 基于稀疏表示的图像修复技术 | 第18-26页 |
| 2.1 稀疏表示理论 | 第18-22页 |
| 2.1.1 图像的稀疏分解 | 第19-20页 |
| 2.1.2 常见的稀疏分解算法 | 第20-22页 |
| 2.2 字典学习算法 | 第22-24页 |
| 2.3 图像修复的问题及原则 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 聚类分析技术 | 第26-36页 |
| 3.1 聚类算法理论 | 第26-28页 |
| 3.1.1 聚类基础概论 | 第26页 |
| 3.1.2 聚类分析的数学模型 | 第26-27页 |
| 3.1.3 聚类算法的应用 | 第27页 |
| 3.1.4 聚类算法分类 | 第27-28页 |
| 3.2 硬K均值聚类算法 | 第28-29页 |
| 3.2.1 硬K均值聚类分析的目标函数 | 第28-29页 |
| 3.2.2 硬K均值聚类分析求解过程 | 第29页 |
| 3.3 模糊C均值聚类算法 | 第29-34页 |
| 3.3.1 模糊C均值算法目标函数及求解过程 | 第30-32页 |
| 3.3.2 模糊C均值算法的应用 | 第32-34页 |
| 3.4 基于Canopy的FCM算法 | 第34-35页 |
| 3.4.1 Canopy算法原理 | 第34-35页 |
| 3.4.2 Canopy-FCM算法思想与流程 | 第35页 |
| 3.5 本章小结 | 第35-36页 |
| 4 改进的图像修复算法 | 第36-44页 |
| 4.1 图像修复问题分析 | 第36页 |
| 4.2 基于字典训练的图像修复方法 | 第36-37页 |
| 4.3 聚类问题分析 | 第37-38页 |
| 4.4 Canopy-FCM算法并行化 | 第38-41页 |
| 4.5 本文算法概述 | 第41-43页 |
| 4.6 本章小结 | 第43-44页 |
| 5 基于聚类的图像修复算法 | 第44-62页 |
| 5.1 聚类算法仿真及分析 | 第44-47页 |
| 5.1.1 仿真平台及数据 | 第44-45页 |
| 5.1.2 算法评价指标 | 第45-46页 |
| 5.1.3 聚类结果及分析 | 第46-47页 |
| 5.2 图像修复算法仿真及分析 | 第47-60页 |
| 5.2.1 仿真数据 | 第47页 |
| 5.2.2 图像质量评价方法 | 第47-48页 |
| 5.2.3 图像复原结果分析 | 第48-60页 |
| 5.3 本章小结 | 第60-62页 |
| 6 总结和展望 | 第62-64页 |
| 6.1 总结 | 第62页 |
| 6.2 展望 | 第62-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 附录 | 第72页 |
