| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 研究目的与意义 | 第15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.2.1 图像恢复问题研究现状 | 第15-16页 |
| 1.2.2 深度学习研究现状 | 第16-17页 |
| 1.3 本文的主要工作以及内容安排 | 第17-19页 |
| 第二章 图像恢复技术 | 第19-31页 |
| 2.1 传统图像恢复的主要方法 | 第19-20页 |
| 2.1.1 基于BSCB的图像恢复模型 | 第19页 |
| 2.1.2 基于分形纹理合成的图像恢复算法 | 第19页 |
| 2.1.3 基于曲率驱动扩散的图像恢复模型 | 第19-20页 |
| 2.2 基于统计特征的图像恢复方法 | 第20-23页 |
| 2.3 基于遗传算法的图像恢复技术 | 第23-26页 |
| 2.3.1 用于图像恢复的简单遗传算法的算法过程 | 第23-24页 |
| 2.3.2 改进遗传算法在图像恢复问题上的基本思路 | 第24-25页 |
| 2.3.3 改进遗传算法的算法步骤 | 第25-26页 |
| 2.4 基于模糊神经网络的图像恢复技术 | 第26-29页 |
| 2.4.1 选择型FNN和推理型FNN | 第27-28页 |
| 2.4.2 组合FNN滤波器 | 第28页 |
| 2.4.3 FNN滤波器的学习算法 | 第28-29页 |
| 2.5 本章小结 | 第29-31页 |
| 第三章 深度学习模型选取及MSDAE网络结构 | 第31-45页 |
| 3.1 引言 | 第31页 |
| 3.2 人工神经网络 | 第31-33页 |
| 3.2.1 单元结构 | 第31-32页 |
| 3.2.2 网络结构 | 第32-33页 |
| 3.3 深度学习模型 | 第33-41页 |
| 3.3.1 卷积神经网络 | 第34-36页 |
| 3.3.2 深度信任网络 | 第36-38页 |
| 3.3.3 自动编码机 | 第38-40页 |
| 3.3.4 三种模型的对比选取 | 第40-41页 |
| 3.4 MSDAE模型 | 第41-43页 |
| 3.4.1 降噪自编码机 | 第41页 |
| 3.4.2 堆叠和延展DAE模型 | 第41-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第四章 模型设计与实验 | 第45-65页 |
| 4.1 设计MSDAE的模型结构 | 第45-48页 |
| 4.1.1 整体结构设计 | 第45-46页 |
| 4.1.2 训练部分结构设计 | 第46-47页 |
| 4.1.3 测试部分结构设计 | 第47-48页 |
| 4.2 网络的训练过程 | 第48-52页 |
| 4.2.1 训练单隐藏层DAE结构 | 第48-50页 |
| 4.2.2 将两个DAE堆叠为SDAE | 第50-52页 |
| 4.3 网络的测试过程 | 第52-53页 |
| 4.3.1 选取最优结果图 | 第52-53页 |
| 4.3.2 获得最终恢复结果图 | 第53页 |
| 4.4 实验 | 第53-63页 |
| 4.4.1 硬件软件环境 | 第53-54页 |
| 4.4.2 实验数据 | 第54页 |
| 4.4.3 深度网络参数设定 | 第54页 |
| 4.4.4 实验结果及分析 | 第54-63页 |
| 4.5 本章小结 | 第63-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 本文总结 | 第65-66页 |
| 5.2 未来展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 作者简介 | 第73-74页 |