基于低秩稀疏分解和字典学习的图像超分辨率重建研究
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 课题研究现状 | 第11-12页 |
| 1.3 论文研究内容与结构安排 | 第12-14页 |
| 第二章 图像超分辨率重建技术概述 | 第14-22页 |
| 2.1 图像重建的数学模型 | 第14-15页 |
| 2.2 图像超分辨率重建方法的分类研究 | 第15-19页 |
| 2.2.1 基于插值的方法 | 第15页 |
| 2.2.2 基于重建的方法 | 第15-16页 |
| 2.2.3 基于学习的方法 | 第16-19页 |
| 2.3 图像的质量评价方法 | 第19-20页 |
| 2.4 本章小结 | 第20-22页 |
| 第三章 图像超分辨率重建原理 | 第22-30页 |
| 3.1 矩阵的低秩性 | 第22-24页 |
| 3.1.1 矩阵的秩 | 第22页 |
| 3.1.2 低秩矩阵的凸优化表示 | 第22-24页 |
| 3.2 信号的稀疏表示 | 第24-26页 |
| 3.2.1 稀疏信号 | 第24页 |
| 3.2.2 稀疏信号的凸优化表示 | 第24-25页 |
| 3.2.3 K-SVD字典学习算法 | 第25-26页 |
| 3.3 图像矩阵的低秩稀疏分解 | 第26-29页 |
| 3.3.1 图像的非局部自相似性原理 | 第26-27页 |
| 3.3.2 低秩稀疏分解算法 | 第27-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第四章 基于低秩约束和字典学习的图像超分辨率重建 | 第30-44页 |
| 4.1 初步重建：建立低秩约束模型 | 第30-31页 |
| 4.2 二次重建：高频成分恢复 | 第31-34页 |
| 4.2.1 基于低秩稀疏分解下的字典训练 | 第31-33页 |
| 4.2.2 高频成分恢复 | 第33-34页 |
| 4.3 实验结果和分析 | 第34-43页 |
| 4.3.1 实验配置 | 第34-35页 |
| 4.3.2 字典训练实验及结果分析 | 第35-37页 |
| 4.3.3 无噪图像实验 | 第37-39页 |
| 4.3.4 含噪图像实验 | 第39-40页 |
| 4.3.5 图像块大小实验影响分析 | 第40-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 总结与展望 | 第44-46页 |
| 5.1 总结 | 第44页 |
| 5.2 展望 | 第44-46页 |
| 参考文献 | 第46-52页 |
| 研究生期间发表的论文 | 第52-54页 |
| 致谢 | 第54页 |
