声明
摘要
插图索引
表格索引
算法索引
第一章绪论
§1.1研究背景及意义
§1.2多光谱成像系统
§1.3 多光谱图像数据噪声模型
§1.3.1 高斯噪声模型
§1.3.2 泊松噪声模型
§1.3.3 高斯噪声和泊松噪声混合噪声模型
§1.4多光谱图像去噪技术研究现状
§1.4.1 基于滤波的方法
§1.4.2 基于小波的方法
§1.4.3基于统计的方法
§1.4.4基于偏微分方程的方法
§1.4.5 基于张量的方法
§1.4.6 基于稀疏的方法
§1.4.7基于低秩的方法
§1.4.8 亮度-色度空间转换方法
§1.5相关算法
§1.5.1 主成分分析算法
§1.5.2非局部均值滤波
§1.5.3奇异值分解
§1.5.4 低秩矩阵逼近与相关算法
§1.5.5 张量基本概念及其基本运算
§1.5.6 字典学习
§1.5.7 图像质量评价指标
§1.6论文的组织结构
第二章基于主成分分析的图像去噪算法
§2.1 引言
§2.2局部像素分组与块匹配
§2.2.1 局部像素分组
§2.2.2 块匹配
§2.3 基于主成分分析引导的自相似滤波图像去噪算法
§2.3.1 计算投影矩阵
§2.3.2 系数收缩
§2.3.3 聚合
§2.3.4 噪声估计
§2.3.5 具有引导图像的非局部均值滤波
§2.3.6 基于主成分分析引导的自相似滤波图像去噪算法流程
§2.4基于主成分分析和迭代正则化的彩色图像去噪算法
§2.4.1计算投影矩阵
§2.4.2 系数收缩
§2.4.3 正则化
§2.4.4 噪声估计
§2.4.5 基于主成分分析和迭代正则化的彩色图像去噪算法流程
§2.5实验结果与分析
§2.5.1 主成分分析引导的自相似滤波图像去噪算法在灰度图像上的去噪结果
§2.5.2 基于主成分分析和迭代正则化的彩色图像去噪算法在彩色图像上的去噪结果
§2.6本章小结
第三章基于混合阈值SVD的多通道彩色图像去噪算法
§3.1 引言
§3.2.1 硬阈值收缩
§3.2.2软阈值收缩
§3.2.3混合阈值收缩
§3.3 基于多通道HTSVD的彩色图像去噪算法
§3.3.1 多通道HTSVD
§3.3.2权值矩阵彬的设置
§3.3.3 模型优化
§3.4实验结果与分析
§3.5本章小结
第四章基于多尺度张量字典学习的多光谱图像去噪算法
§4.1 引言
§4.2 张量字典
§4.3多尺度框架
§4.4多尺度张量字典去噪算法Ⅰ
§4.4.1 多尺度张量字典的初始化
§4.4.2 稀疏编码
§4.4.3 字典更新
§4.4.4 去噪
§4.5 多尺度张量字典去噪算法Ⅱ
§4.5.1 张量字典的初始化
§4.5.2 稀疏编码
§4.5.3 字典更新
§4.5.4 多尺度化张量字典
§4.5.5 去噪
§4.6实验结果与分析
§4.6.1 “CAVE’’多光谱数据库实验结果分析
§4.6.2 多尺度张量字典结构分析
§4.7本章小结
第五章基于加权Schatten p-范数最小化的多光谱图像去噪算法
§5.1 引言
§5.2 WSNM算法
§5.3基于WSNM的多光谱图像去噪算法
§5.3.1 基于WSNM的去噪算法在三维图像中的应用
§5.3.2 基于WSNM的去噪算法在多光谱数据中的应用
§5.4实验结果与分析
§5.5本章小结
第六章总结与展望
§6.1 总结
§6.2存在的问题与展望
参考文献
致谢
攻读博士学位期间完成的论文情况
攻读博士学位期间参加科研项目情况