| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 图像观测模型 | 第10-12页 |
| 1.3 国内外研究现状 | 第12-16页 |
| 1.3.1 频域法 | 第12-13页 |
| 1.3.2 空域法 | 第13-16页 |
| 1.4 本文主要内容及安排 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 第二章 信号稀疏表示基础 | 第18-29页 |
| 2.1 引言 | 第18-19页 |
| 2.2 基于超完备字典的稀疏表示模型 | 第19-20页 |
| 2.3 稀疏表示字典的构造 | 第20-24页 |
| 2.3.1 MOD算法 | 第21-22页 |
| 2.3.2 K-SVD算法 | 第22-23页 |
| 2.3.3 广义PCA算法 | 第23页 |
| 2.3.4 参数训练法 | 第23页 |
| 2.3.5 在线字典学习法 | 第23-24页 |
| 2.4 稀疏表示运算 | 第24-26页 |
| 2.4.1 贪婪追踪算法 | 第24-25页 |
| 2.4.2 松弛优化算法 | 第25-26页 |
| 2.5 稀疏表示在图像处理中的应用 | 第26-28页 |
| 2.5.1 基于稀疏表示的图像超分辨率重建 | 第26-27页 |
| 2.5.2 稀疏表示在图像处理中的其他应用 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 基于图像纹理结构分解和稀疏表示的超分辨率重建 | 第29-42页 |
| 3.1 引言 | 第29页 |
| 3.2 基于Mumford_Shah模型和G空间的图像结构纹理分解 | 第29-32页 |
| 3.2.1 Mumford_Shah模型 | 第29-30页 |
| 3.2.2 G空间 | 第30页 |
| 3.2.3 MS_G模型 | 第30-32页 |
| 3.3 基本思想 | 第32-33页 |
| 3.4 高低分辨率字典对训练 | 第33-39页 |
| 3.4.1 低分辨率图像特征提取 | 第33-35页 |
| 3.4.2 训练样本获取 | 第35-36页 |
| 3.4.3 联合字典训练 | 第36-39页 |
| 3.5 高分辨率图像重建 | 第39-41页 |
| 3.5.1 纹理图像重建 | 第39-40页 |
| 3.5.2 纹理结构部分结合 | 第40-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第四章 基于图像块分类和稀疏表示的超分辨率重建 | 第42-48页 |
| 4.1 引言 | 第42页 |
| 4.2 基本思想 | 第42-43页 |
| 4.3 灰度共生矩阵 | 第43-46页 |
| 4.3.1 灰度共生矩阵的计算 | 第43-44页 |
| 4.3.2 灰度共生矩阵特征 | 第44-46页 |
| 4.4 高低分辨率字典对训练 | 第46-47页 |
| 4.4.1 训练样本的提取与分类 | 第46-47页 |
| 4.5 高分辨率图像重建 | 第47页 |
| 4.6 本章小结 | 第47-48页 |
| 第五章 实验结果与分析 | 第48-64页 |
| 5.1 引言 | 第48页 |
| 5.2 实验说明 | 第48-49页 |
| 5.3 RGB空间和YCrCb空间 | 第49-51页 |
| 5.3.1 RGB空间 | 第49-50页 |
| 5.3.2 YCr Cb空间 | 第50-51页 |
| 5.4 图像重建质量评判标准 | 第51-52页 |
| 5.5 实验参数说明 | 第52-54页 |
| 5.6 实验对比 | 第54-63页 |
| 5.6.1 重建效果对比 | 第54-61页 |
| 5.6.2 时间性能比较 | 第61-63页 |
| 5.7 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-73页 |
| 攻读硕士学位期间取得的研究成果 | 第73-74页 |
| 致谢 | 第74-75页 |
| 附件 | 第75页 |