| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 基于贪婪思想重构算法的压缩感知 | 第14页 |
| 1.2.2 基于最优化思想重构算法的压缩感知 | 第14-16页 |
| 1.2.3 基于统计优化思想重构算法的压缩感知 | 第16-17页 |
| 1.3 本文研究内容 | 第17页 |
| 1.4 文章组织结构 | 第17-19页 |
| 第2章 相关研究基础 | 第19-31页 |
| 2.1 小波变换 | 第19-23页 |
| 2.1.1 小波与小波基函数 | 第19-20页 |
| 2.1.2 连续的小波变换 | 第20-21页 |
| 2.1.3 连续的小波变换 | 第21-22页 |
| 2.1.4 小波多分辨率分析 | 第22-23页 |
| 2.2 压缩感知理论 | 第23-30页 |
| 2.2.1 压缩感知基本内容简介 | 第23-24页 |
| 2.2.2 信号的稀疏表示 | 第24-25页 |
| 2.2.3 观测矩阵的设计 | 第25-27页 |
| 2.2.4 信号重构算法的设计 | 第27-29页 |
| 2.2.5 压缩感知理论的应用 | 第29-30页 |
| 2.3 小结 | 第30-31页 |
| 第3章 基于贝叶斯多任务的彩色图像压缩感知 | 第31-49页 |
| 3.1 引言 | 第31页 |
| 3.2 彩色图像压缩感知理论 | 第31-33页 |
| 3.3 图像小波变换稀疏特征 | 第33-35页 |
| 3.4 贝叶斯压缩感知模型 | 第35-38页 |
| 3.4.1 基于已知传感矩阵的稀疏信号重构 | 第36-37页 |
| 3.4.2 基于相关向量机RVM的稀疏信号重构 | 第37-38页 |
| 3.5 基于贝叶斯多任务的彩色图像压缩感知 | 第38-45页 |
| 3.5.1 三层贝叶斯学习模型 | 第38-40页 |
| 3.5.2 三个方向的高频小波系数多任务重构算法 | 第40-43页 |
| 3.5.3 改进的高频小波系数的联合重构算法 | 第43-45页 |
| 3.6 实验结果与分析 | 第45-48页 |
| 3.6.1 不同算法的重构质量比较 | 第45-47页 |
| 3.6.2 定性评估分析 | 第47-48页 |
| 3.7 小结 | 第48-49页 |
| 第4章 基于小波变换的多任务图像压缩感知 | 第49-61页 |
| 4.1 前言 | 第49-50页 |
| 4.2 基于高频小波系数多任务重构的压缩感知基本框架 | 第50-51页 |
| 4.2.1 压缩端的过程 | 第50-51页 |
| 4.2.2 重构端的过程 | 第51页 |
| 4.3 基于小波变换多任务的压缩感知 | 第51-56页 |
| 4.3.1 迭代重加权最小二乘法 | 第53-54页 |
| 4.3.2 非凸组稀疏通过重加权最小二乘法重构算法 | 第54-55页 |
| 4.3.3 光滑2,0L范数重构算法 | 第55-56页 |
| 4.4 实验结果与分析 | 第56-60页 |
| 4.4.1 不同算法的重构质量分析 | 第56-59页 |
| 4.4.2 不同算法的重构时间比较分析 | 第59-60页 |
| 4.5 小结 | 第60-61页 |
| 结论 | 第61-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69-70页 |
| 附录A 攻读学位期间发表的学术论文 | 第70-71页 |
| 附录B 攻读硕士期间参与的项目列表 | 第71页 |