| 摘要 | 第7-9页 |
| ABSTRACT | 第9-10页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究目的及意义 | 第13页 |
| 1.2 图像超分辨率重建的研究现状 | 第13-17页 |
| 1.2.1 基于插值的图像超分辨率重建算法 | 第14页 |
| 1.2.2 基于重建的图像超分辨率重建算法 | 第14页 |
| 1.2.3 基于学习的图像超分辨率重建算法 | 第14-17页 |
| 1.3 本文的主要研究内容及章节安排 | 第17-19页 |
| 第2章 基于局部和非局部双重正则项的稀疏表示图像超分辨率重建 | 第19-32页 |
| 2.1 降质模型和稀疏先验 | 第19-20页 |
| 2.1.1 降质模型 | 第19页 |
| 2.1.2 稀疏先验 | 第19-20页 |
| 2.2 PCA子字典和ARMA模型的训练 | 第20-23页 |
| 2.2.1 PCA子字典的训练 | 第20-22页 |
| 2.2.2 ARMA模型的训练 | 第22-23页 |
| 2.3 局部和非局部双重正则项 | 第23-25页 |
| 2.3.1 基于ARMA模型的局部正则项 | 第23页 |
| 2.3.2 基于非局部自相似的正则项 | 第23-24页 |
| 2.3.3 双重正则项的迭代求解 | 第24-25页 |
| 2.4 实验结果及分析 | 第25-30页 |
| 2.4.1 实验设置 | 第25-26页 |
| 2.4.2 自然图像超分辨率重建实验 | 第26-28页 |
| 2.4.3 参数讨论 | 第28-30页 |
| 2.5 本章小节 | 第30-32页 |
| 第3章 基于稀疏表示和自适应混合样本回归的图像超分辨率重建 | 第32-50页 |
| 3.1 基于图像块冗余的图像金字塔 | 第32-33页 |
| 3.2 K-SVD字典学习方法 | 第33-35页 |
| 3.2.1 特征提取 | 第33-34页 |
| 3.2.2 自适应样本选择方案 | 第34页 |
| 3.2.3 字典训练 | 第34-35页 |
| 3.3 稀疏表示和自适应混合样本回归 | 第35-38页 |
| 3.3.1 稀疏表示重建 | 第35-36页 |
| 3.3.2 自适应混合样本脊回归模型 | 第36-37页 |
| 3.3.3 算法优化 | 第37-38页 |
| 3.4 算法总结 | 第38-39页 |
| 3.5 实验结果及分析 | 第39-49页 |
| 3.5.1 快速图像金字塔 | 第39-40页 |
| 3.5.2 相关参数的设置 | 第40页 |
| 3.5.3 参数分析 | 第40-42页 |
| 3.5.4 对比实验 | 第42-49页 |
| 3.5.5 计算复杂度分析 | 第49页 |
| 3.6 本章小结 | 第49-50页 |
| 第4章 基于小波域稀疏表示的图像超分辨率重建 | 第50-59页 |
| 4.1 小波域子带字典学习 | 第50-52页 |
| 4.2 小波域超分辨率重建 | 第52-54页 |
| 4.2.1 小波域稀疏表示 | 第52-53页 |
| 4.2.2 混合样本回归 | 第53-54页 |
| 4.3 总结 | 第54-56页 |
| 4.3.1 算法总结 | 第54-55页 |
| 4.3.2 算法总体流程总结 | 第55-56页 |
| 4.4 实验结果及分析 | 第56-58页 |
| 4.4.1 实验环境 | 第56页 |
| 4.4.2 实验参数设置 | 第56页 |
| 4.4.3 客观指标比较 | 第56-57页 |
| 4.4.4 视觉效果的对比 | 第57-58页 |
| 4.4.5 本文提出的三种方法的对比 | 第58页 |
| 4.5 本章小结 | 第58-59页 |
| 结论与展望 | 第59-61页 |
| 参考文献 | 第61-68页 |
| 致谢 | 第68-69页 |
| 附录 A 攻读学位期间取得的主要科研成果 | 第69页 |