| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究发展动态 | 第10-17页 |
| 1.2.1 毫米波/太赫兹成像系统发展动态 | 第10-15页 |
| 1.2.2 图像超分辨恢复算法的发展和研究现状 | 第15-17页 |
| 1.3 论文主要内容和章节安排 | 第17-19页 |
| 1.3.1 论文主要内容 | 第17-18页 |
| 1.3.2 论文各章节的安排 | 第18-19页 |
| 第二章 无源毫米波/太赫兹成像和超分辨恢复理论 | 第19-29页 |
| 2.1 无源毫米波/太赫兹成像相关基础理论 | 第19-22页 |
| 2.1.1 黑体辐射理论 | 第19-20页 |
| 2.1.2 无源毫米波/太赫兹探测成像原理 | 第20-22页 |
| 2.2 无源毫米波/太赫兹探测成像系统体制 | 第22-23页 |
| 2.3 无源毫米波/太赫兹图像降质模型 | 第23-24页 |
| 2.4 图像超分辨率恢复技术理论概述 | 第24-27页 |
| 2.4.1 基于重建的超分辨率恢复算法 | 第25-26页 |
| 2.4.2 基于学习的超分辨率恢复算法 | 第26-27页 |
| 2.5 超分辨算法的性能评价指标 | 第27-28页 |
| 2.5.1 主观评价 | 第27页 |
| 2.5.2 客观评价 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 基于全变差的L-TV超分辨算法研究及实现 | 第29-50页 |
| 3.1 正则化理论基础 | 第29-33页 |
| 3.1.1 病态问题及其正则化解 | 第29-31页 |
| 3.1.2 经典正则化方法 | 第31-32页 |
| 3.1.3 正则化参数的选取方法 | 第32-33页 |
| 3.2 基于全变差方法的超分辨恢复模型 | 第33-38页 |
| 3.2.1 有界函数及全变差基本理论 | 第34-35页 |
| 3.2.2 几种全变差超分辨恢复算法模型 | 第35-38页 |
| 3.3 全变差模型的数值优化算法 | 第38-41页 |
| 3.3.1 时间演化算法 | 第38-39页 |
| 3.3.2 Split-Bregman算法 | 第39-40页 |
| 3.3.3 交替方向算法 | 第40-41页 |
| 3.4 一种改进的全变差L-TV超分辨处理算法研究 | 第41-44页 |
| 3.5 实验验证与分析 | 第44-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第四章 基于卷积神经网络的SRDCNN超分辨算法研究及实现 | 第50-70页 |
| 4.1 人工神经网络模型简介 | 第50-58页 |
| 4.1.1 人工神经网络的基本结构 | 第50-53页 |
| 4.1.2 神经网络的网络结构 | 第53-55页 |
| 4.1.3 神经网络的训练算法 | 第55-58页 |
| 4.2 卷积神经网络 | 第58-63页 |
| 4.2.1 卷积神经网络的结构 | 第58-62页 |
| 4.2.2 卷积神经网络工作原理 | 第62-63页 |
| 4.3 基于卷积神经网络的超分辨算法(SRCNN) | 第63-64页 |
| 4.4 改进的基于卷积神经网络的无源毫米波超分辨算法 | 第64-65页 |
| 4.5 实验验证与分析 | 第65-69页 |
| 4.6 本章小结 | 第69-70页 |
| 第五章 工作总结与展望 | 第70-72页 |
| 5.1 工作总结 | 第70页 |
| 5.2 研究展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间取得的成果 | 第77页 |
