基于稀疏表示和深度学习的图像去噪算法研究

声明

缩略语对照表

第一章 绪论

1.1 课题的选择背景及研究意义

1.2 图像去噪的国内外研究现状

1.2.1 图像去噪算法介绍

1.2.2 图像去噪算法的分类

1.3 本文的主要研究内容

1.4 本文的章节安排

第二章 图像去噪知识概述

2.1 图像的基本知识

2.1.1 自然图像的成像过程

2.1.2 噪声图像的成像原理

2.2 现有的图像去噪算法

2.2.1 基于空间域的图像去噪

2.2.2 基于变换域的图像去噪

2.2.3 基于神经网络的图像去噪

2.3 去噪图像的质量评估

2.3.1 客观评价

2.3.2 主观评价

2.3.3 去噪图像质量指标分析

2.4 本章小结

第三章 稀疏表示下的图像去噪技术及其改进

3.1 稀疏表示去噪基础知识

3.1.1 引言

3.1.2 稀疏模型

3.2 核方法

3.3 稀疏表示去噪及改进

3.3.1 稀疏表示去噪模型

3.3.2 改进的稀疏表示去噪模型

3.4 本章小结

第四章 基于深度学习的图像去噪技术

4.1 深度学习基础知识

4.1.1 引言

4.1.2 反向传播

4.1.3 激活函数

4.2 卷积神经网络模型

4.2.1 卷积神经网络发展

4.2.3 卷积神经网络结构

4.2.4 卷积思想

4.3 基于卷积神经网络的图像去噪

4.4 改进的卷积神经网络图像去噪模型

4.4.1 残差学习

4.4.2 批归一化

4.4.3 基于残差学习的深度卷积神经网络图像去噪模型

4.5 本章小结

第五章 去噪模型的实验结果对比与分析

5.1 实验条件介绍

5.1.1 实验条件及环境

5.1.2 数据集介绍

5.1.3 数据集增强

5.2 网络参数设置

5.3 改进的融合模型仿真

5.4 实验时间复杂度分析

5.5 本章小结

第六章 总结与展望

6.1 论文总结

6.2 今后研究工作

参考文献

个人简历 在读期间发表的学术论文

致谢