近年來(lái),信號(hào)的稀疏分解算法及其應(yīng)用吸引了眾多學(xué)者的關(guān)注。一方面,對(duì)于某種特定的應(yīng)用領(lǐng)域,一個(gè)合適的信號(hào)分解模型能夠通過(guò)將復(fù)雜的信號(hào)分解為多個(gè)簡(jiǎn)單的單成分信號(hào)來(lái)簡(jiǎn)化信號(hào)分析的問(wèn)題;反之,如果我們采用了不適合的分解模型則有可能使得待分析的信號(hào)變得更加復(fù)雜。因此,針對(duì)具體的應(yīng)用領(lǐng)域,如何找到一個(gè)最優(yōu)的信號(hào)分解算法,或更進(jìn)一步如何對(duì)其進(jìn)行相應(yīng)的改進(jìn),是應(yīng)用研究中的關(guān)鍵問(wèn)題。本文首先聚焦信號(hào)稀疏分解算法在生理信號(hào)（尤其是心電和脈搏血氧信號(hào)）中的分析和診斷,進(jìn)而將信號(hào)的稀疏分解算法推廣到二維圖像中,實(shí)現(xiàn)了針對(duì)生理圖像的快速圖像超分辨率重建算法,具體研究?jī)?nèi)容包括:（1）在心電信號(hào)的增強(qiáng)方面,提出了一種基于稀疏表示的心電信號(hào)去噪聲和基線校正算法。不同于傳統(tǒng)的采用固定基投影的濾波方法,例如傅里葉和小波變換,我們所提出的方法將心電信號(hào)建模為由若干內(nèi)部本征結(jié)構(gòu)和隨機(jī)噪聲的疊加而構(gòu)成,而其中的本征結(jié)構(gòu)（這里稱為原子）能夠從輸入信號(hào)或訓(xùn)練集中學(xué)習(xí)獲得。進(jìn)而,通過(guò)計(jì)算這些學(xué)習(xí)獲得的原子的統(tǒng)計(jì)特性,我們能夠準(zhǔn)確地篩選出合適的原子,從而能夠很好地逼近原始的心電信號(hào)并去除其中的隨機(jī)噪聲和類(lèi)似于基線漂移的其它干擾信號(hào)。（... 

【文章來(lái)源】：南京理工大學(xué)江蘇省 211工程院校

【文章頁(yè)數(shù)】：122 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景和意義
    1.2 信號(hào)表示模型及分解算法發(fā)展回顧
    1.3 論文的研究?jī)?nèi)容和創(chuàng)新
    1.4 論文結(jié)構(gòu)安排
2 信號(hào)的稀疏分解算法概述
    2.1 信號(hào)稀疏分解算法介紹
        2.1.1 匹配追蹤和基追蹤算法
        2.1.2 經(jīng)驗(yàn)?zāi)B(tài)分解算法
        2.1.3 零空間追蹤算法
    2.2 圖像稀疏分解算法介紹
        2.2.1 圖像的稀疏表示
        2.2.2 圖像的卡通+紋理分解算法
    2.3 信號(hào)分解算法的應(yīng)用介紹
3 基于稀疏表示的心電信號(hào)增強(qiáng)算法
    3.1 字典學(xué)習(xí)的快速算法
    3.2 心電信號(hào)去噪聲和基線校正
        3.2.1 心電信號(hào)字典訓(xùn)練
        3.2.2 同步去噪聲和基線校正
    3.3 實(shí)驗(yàn)結(jié)果與分析
    3.4 本章小結(jié)
4 基于信號(hào)稀疏分解的心跳檢測(cè)算法
    4.1 心跳檢測(cè)算法介紹
    4.2 基于稀疏表示的心電信號(hào)中QRS波檢測(cè)算法
    4.3 結(jié)合心電和血氧信號(hào)的心跳檢測(cè)算法
    4.4 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
5 基于稀疏分解的圖像超分辨率重建
    5.1 圖像的快速卡通+紋理分解算法
    5.2 圖像快速超分辨率重建算法
        5.2.1 基于多尺度非局部自相似模型的卡通成分超分辨率重建
        5.2.2 基于小波域隱馬爾科夫樹(shù)模型的紋理成分超分辨率重建
        5.2.3 基于分解的圖像快速超分辨率重建算法實(shí)現(xiàn)
    5.3 自然圖像實(shí)驗(yàn)結(jié)果與分析
        5.3.1 實(shí)驗(yàn)設(shè)置
        5.3.2 結(jié)果和討論
    5.4 醫(yī)學(xué)影像處理系統(tǒng)應(yīng)用驗(yàn)證
    5.5 本章小結(jié)
6 總結(jié)與展望
致謝
參考文獻(xiàn)
附錄



本文編號(hào)：3182754