| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景以及研究意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.3 本文的研究工作和论文结构 | 第11-13页 |
| 2 相关理论与算法研究 | 第13-25页 |
| 2.1 稀疏表示理论研究 | 第13-18页 |
| 2.1.1 稀疏表示理论 | 第13页 |
| 2.1.2 稀疏表示求解算法 | 第13-16页 |
| 2.1.2.1 贪婪追踪算法 | 第13-15页 |
| 2.1.2.2 凸优化算法 | 第15-16页 |
| 2.1.2.3 算法总结 | 第16页 |
| 2.1.3 稀疏表示字典学习算法 | 第16-18页 |
| 2.1.3.1 K-SVD算法 | 第17-18页 |
| 2.2 金字塔算法研究 | 第18-20页 |
| 2.2.1 高斯金字塔 | 第19-20页 |
| 2.2.2 拉普拉斯金字塔 | 第20页 |
| 2.3 图像的纹理特征表示 | 第20-24页 |
| 2.3.1 灰度共生矩阵 | 第20-22页 |
| 2.3.2 均值 | 第22页 |
| 2.3.3 LBP特征 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 灰度图像彩色化技术研究及构建彩色化模型 | 第25-35页 |
| 3.1 传统的伪彩色处理技术 | 第25-27页 |
| 3.1.1 灰度分层技术 | 第25-26页 |
| 3.1.2 彩虹编码技术 | 第26页 |
| 3.1.3 滤波法 | 第26-27页 |
| 3.1.4 伪彩色算法实验分析 | 第27页 |
| 3.2 基于参考图像的彩色化处理 | 第27-31页 |
| 3.2.1 Reinhard颜色传递算法 | 第27-28页 |
| 3.2.2 单一字典彩色化算法 | 第28-29页 |
| 3.2.3 基于多字典的彩色化处理 | 第29-31页 |
| 3.3 构建基于特征分类细节增强的彩色化模型 | 第31-34页 |
| 3.4 本章小结 | 第34-35页 |
| 4 基于特征分类细节增强的多稀疏字典灰度图彩色化算法 | 第35-50页 |
| 4.1 基于特征分类的多稀疏字典彩色化算法(CMDC) | 第35-36页 |
| 4.2 基于局部约束的分类结果优化算法(LCC) | 第36-37页 |
| 4.3 基于拉普拉斯金字塔的细节增强算法(LPDE) | 第37-38页 |
| 4.4 多光谱图像彩色化实现原理过程 | 第38-39页 |
| 4.5 实验分析 | 第39-49页 |
| 4.5.1 本章算法模块分析 | 第39-43页 |
| 4.5.2 本章算法性能分析 | 第43-47页 |
| 4.5.3 其他应用 | 第47-49页 |
| 4.6 本章小结 | 第49-50页 |
| 5 基于局部稀疏保持细节增强的图像彩色化算法 | 第50-59页 |
| 5.1 相关理论知识简介 | 第50-51页 |
| 5.2 基于局部结构保持的稀疏表示算法 | 第51-54页 |
| 5.2.1 矩阵W的计算 | 第52-53页 |
| 5.2.2 稀疏表示实现 | 第53-54页 |
| 5.3 基于原灰度图像的细节增强算法(OGDE) | 第54-56页 |
| 5.3.1 YUV颜色空间的理论基础 | 第54-55页 |
| 5.3.2 算法原理 | 第55-56页 |
| 5.4 实验分析 | 第56-58页 |
| 5.4.1 基于局部结构保持的稀疏表示算法准确性验证 | 第56-57页 |
| 5.4.2 本章算法性能验证 | 第57页 |
| 5.4.3 基于原灰度图像的细节增强算法的其它验证 | 第57-58页 |
| 5.5 本章小结 | 第58-59页 |
| 6 总结与工作展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 工作中的不足与展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 附录 | 第67-68页 |
