| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 研究现状 | 第13-15页 |
| 1.3 研究内容与创新 | 第15-16页 |
| 第二章 图像稀疏恢复中的特征表示 | 第16-28页 |
| 2.1 适用于稀疏恢复的图像特征分析 | 第17页 |
| 2.2 图像的边缘特征检测算子 | 第17-21页 |
| 2.2.1 一阶微分算子 | 第18-20页 |
| 2.2.2 二阶微分算子 | 第20-21页 |
| 2.3 图像的纹理特征检测算子 | 第21-26页 |
| 2.3.1 小波变换 | 第21-25页 |
| 2.3.2 卷积神经网络 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 图像稀疏恢复的稀疏表示基础 | 第28-41页 |
| 3.1 稀疏表示在图像处理中的应用 | 第28页 |
| 3.2 图像块的稀疏表示模型 | 第28-29页 |
| 3.3 稀疏度 | 第29-31页 |
| 3.4 稀疏求解算法 | 第31-34页 |
| 3.4.1 OMP算法 | 第31-32页 |
| 3.4.2 K-SVD算法 | 第32-34页 |
| 3.5 图像稀疏恢复中联合字典学习 | 第34-40页 |
| 3.5.1 字典训练图像库的构造 | 第35-37页 |
| 3.5.2 迭代次数实验 | 第37-38页 |
| 3.5.3 字典原子个数实验 | 第38-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 特征表示算子在图像稀疏恢复中的应用 | 第41-69页 |
| 4.1 图像稀疏恢复 | 第41-43页 |
| 4.1.1 图像稀疏恢复的基本原理 | 第41-43页 |
| 4.2 图像样本的特征提取 | 第43-44页 |
| 4.2.1 图像稀疏恢复中特征的提取 | 第43-44页 |
| 4.3 使用边缘检测算子的图像恢复 | 第44-56页 |
| 4.3.1 基于全变差的图像恢复 | 第44-51页 |
| 4.3.2 使用一二阶差分算子的图像稀疏恢复 | 第51-56页 |
| 4.4 使用小波变换的图像恢复 | 第56-68页 |
| 4.4.1 使用小波变换的插值恢复算法 | 第56-59页 |
| 4.4.2 使用小波变换的图像稀疏恢复 | 第59-65页 |
| 4.4.3 仿真与结果分析 | 第65-68页 |
| 4.5 本章小结 | 第68-69页 |
| 第五章 样本依赖特征表示算子在图像稀疏恢复中的应用 | 第69-86页 |
| 5.1 样本依赖特征表示算子 | 第69页 |
| 5.2 适用于图像恢复的特征表示算子获取和卷积神经网络框架 | 第69-71页 |
| 5.3 卷积神经网络分析 | 第71-72页 |
| 5.4 使用样本依赖特征表示算子的图像稀疏恢复 | 第72-74页 |
| 5.5 仿真和结果表示分析 | 第74-85页 |
| 5.5.1 经典训练样本下的图像稀疏恢复 | 第76-79页 |
| 5.5.2 类型单一训练样本下的图像稀疏恢复 | 第79-82页 |
| 5.5.3 新增测试样本下的图像恢复结果比较 | 第82-85页 |
| 5.6 本章小结 | 第85-86页 |
| 第六章 总结与展望 | 第86-88页 |
| 6.1 总结 | 第86-87页 |
| 6.2 展望 | 第87-88页 |
| 致谢 | 第88-89页 |
| 参考文献 | 第89-94页 |
| 攻读硕士学位期间取得的成就 | 第94-95页 |