基于稀疏表示的超分辨率重建算法及应用研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第15-24页 |
| 1.1 研究背景和意义 | 第15-16页 |
| 1.2 超分辨率重建国内外研究现状 | 第16-22页 |
| 1.2.1 图像的降质模型 | 第16-17页 |
| 1.2.2 基于插值的图像超分辨率重建 | 第17-18页 |
| 1.2.3 基于重建的图像超分辨率重建 | 第18-21页 |
| 1.2.4 基于学习的图像超分辨率重建 | 第21-22页 |
| 1.3 本文主要研究内容及章节安排 | 第22-24页 |
| 第二章 稀疏表示与字典学习理论 | 第24-32页 |
| 2.1 稀疏表示理论 | 第24-28页 |
| 2.1.1 稀疏表示的基本思想 | 第24-26页 |
| 2.1.2 稀疏表示问题的优化算法 | 第26-28页 |
| 2.3 字典学习理论 | 第28-31页 |
| 2.3.1 GPCA算法 | 第29页 |
| 2.3.2 MOD算法 | 第29-30页 |
| 2.3.3 K-SVD算法 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于自相似性和稀疏表示的图像超分辨率重建 | 第32-49页 |
| 3.1 引言 | 第32-33页 |
| 3.2 图像的自相似性 | 第33-36页 |
| 3.2.1 相似性的度量 | 第33-35页 |
| 3.2.2 图像的多尺度结构自相似 | 第35-36页 |
| 3.3 分类稀疏K-SVD字典学习 | 第36-38页 |
| 3.3.1 样本库的建立 | 第37页 |
| 3.3.2 字典学习阶段 | 第37-38页 |
| 3.4 构建稀疏正则项和非局部相似性正则项 | 第38-39页 |
| 3.4.1 构建稀疏正则项 | 第38页 |
| 3.4.2 构建非局部相似性正则项 | 第38-39页 |
| 3.5 基于自相似性和稀疏表示的SR算法 | 第39-40页 |
| 3.6 本章算法的具体步骤 | 第40页 |
| 3.7 实验结果与分析 | 第40-48页 |
| 3.7.1 超分辨率重建的质量评价 | 第40-41页 |
| 3.7.2 图像块大小对重建效果的影响 | 第41-42页 |
| 3.7.3 图像块间重叠像素个数的选择 | 第42-43页 |
| 3.7.4 实验仿真结果与分析 | 第43-48页 |
| 3.8 本章小结 | 第48-49页 |
| 第四章 基于稀疏K-SVD的车牌图像超分辨率重建 | 第49-59页 |
| 4.1 SR重建中放大倍数与重建质量的关系 | 第49-50页 |
| 4.2 基于K-SVD的SR重建算法 | 第50-51页 |
| 4.3 基于稀疏K-SVD的车牌图像SR重建算法 | 第51-54页 |
| 4.3.1 样本图像的特征提取和字典学习 | 第51-53页 |
| 4.3.2 超分辨率重建过程 | 第53页 |
| 4.3.3 算法的具体步骤 | 第53-54页 |
| 4.4 实验仿真结果与分析 | 第54-57页 |
| 4.5 本章小结 | 第57-59页 |
| 第五章 总结和展望 | 第59-62页 |
| 5.1 总结 | 第59-60页 |
| 5.2 展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第66-67页 |
