| 摘要 | 第1-7页 |
| ABSTRACT | 第7-10页 |
| 目录 | 第10-13页 |
| 1 绪论 | 第13-39页 |
| ·稀疏表示理论基础 | 第13-23页 |
| ·稀疏表示字典设计 | 第17-20页 |
| ·稀疏分解算法 | 第20-23页 |
| ·稀疏表示的神经生理学背景 | 第23-26页 |
| ·稀疏表示理论在图像处理反问题中的应用 | 第26-33页 |
| ·本文的主要研究工作 | 第33-39页 |
| ·论文的主要研究内容与创新点 | 第33-37页 |
| ·论文结构与安排 | 第37-39页 |
| 2 图像稀疏表示的Gabor感知多成分字典设计方法与算法 | 第39-63页 |
| ·引言 | 第39-40页 |
| ·基于多成分字典的图像稀疏表示模型 | 第40-42页 |
| ·连续Gabor感知多成分字典 | 第42-49页 |
| ·离散Gabor感知多成分字典 | 第49-53页 |
| ·匹配追踪稀疏分解 | 第53-55页 |
| ·实验结果与分析 | 第55-62页 |
| ·本章小结 | 第62-63页 |
| 3 图像稀疏表示的结构自适应子空间匹配追踪快速算法 | 第63-78页 |
| ·引言 | 第63-65页 |
| ·图像的结构自适应多成分稀疏表示模型 | 第65-66页 |
| ·自适应四叉树分解与块分类 | 第66-69页 |
| ·结构自适应子空间匹配追踪快速算法 | 第69-72页 |
| ·实验结果与分析 | 第72-76页 |
| ·本章小结 | 第76-78页 |
| 4 基于稀疏性正则化的图像泊松恢复模型及分裂Bregman迭代算法 | 第78-100页 |
| ·引言 | 第78-81页 |
| ·稀疏性正则化的图像泊松恢复模型 | 第81-84页 |
| ·图像稀疏表示模型 | 第81-82页 |
| ·稀疏性正则化的恢复模型 | 第82-84页 |
| ·分裂Bregman迭代快速算法 | 第84-90页 |
| ·实验结果与分析—泊松去噪 | 第90-94页 |
| ·实验结果与分析—泊松恢复 | 第94-98页 |
| ·本章小结 | 第98-100页 |
| 5 基于稀疏性正则化的图像恢复模型及PR算子分裂算法 | 第100-128页 |
| ·背景知识 | 第100-105页 |
| ·稀疏性正则化的图像恢复模型 | 第105-109页 |
| ·原始Peaceman-Rachford算子分裂法 | 第107页 |
| ·对偶Peaceman-Rachford算子分裂法 | 第107-109页 |
| ·图像去模糊与非高斯噪声去除 | 第109-115页 |
| ·综合形式的图像去模糊 | 第109-111页 |
| ·分解形式的图像去模糊 | 第111-113页 |
| ·图像中非高斯噪声去除 | 第113-115页 |
| ·实验结果与分析 | 第115-126页 |
| ·本章小结 | 第126-128页 |
| 6 基于稀疏性正则化的多帧图像超分辨率重建模型与算法 | 第128-173页 |
| ·引言 | 第128-134页 |
| ·稀疏性正则化的图像超分辨重建模型 | 第134-149页 |
| ·前向后向算子分裂的数值求解 | 第139-144页 |
| ·线性化Bregman迭代的数值求解 | 第144-148页 |
| ·两种数值算法的分析比较 | 第148-149页 |
| ·多形态稀疏性正则化的图像超分辨率重建 | 第149-154页 |
| ·图像的多形态稀疏表示模型 | 第150-151页 |
| ·多形态稀疏性正则化的图像超分辨率重建模型 | 第151-153页 |
| ·交替迭代数值算法 | 第153-154页 |
| ·实验结果与分析—SRSR模型 | 第154-165页 |
| ·实验参数设置 | 第155-156页 |
| ·本文算法与TVSR、NCSR算法的性能比较 | 第156-161页 |
| ·本文SRSR-FBS与SRSR-LBI算法性能的对比分析 | 第161-165页 |
| ·实验结果与分析—MSRSR模型 | 第165-171页 |
| ·本章小结 | 第171-173页 |
| 7 结论与展望 | 第173-177页 |
| 致谢 | 第177-178页 |
| 参考文献 | 第178-193页 |
| 附录A Bregman迭代算法 | 第193-195页 |
| 附录B 攻读博士学位期间发表论文情况 | 第195-197页 |
| 附录C 攻读博士学位期间参加课题及资助基金 | 第197页 |
