| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第14-21页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 图像去噪/超分辨率研究现状及分析 | 第15-19页 |
| 1.2.1 交通图像去噪现状分析 | 第16-17页 |
| 1.2.2 交通图像超分辨率现状分析 | 第17-19页 |
| 1.3 图像处理的评价指标 | 第19-20页 |
| 1.4 本文的主要内容及章节安排 | 第20-21页 |
| 第2章 基于二维GARCH模型的交通场景图像去噪 | 第21-41页 |
| 2.1 图像的二维离散小波变换 | 第21-22页 |
| 2.2 小波域图像去噪原理 | 第22-23页 |
| 2.3 小波域图像去噪经典算法 | 第23-26页 |
| 2.3.1 局部窗口自适应极大似然估计算法 | 第23-24页 |
| 2.3.2 Bayes Shrink算法 | 第24-26页 |
| 2.4 基于 2D-GARCH模型的图像小波系数建模 | 第26-29页 |
| 2.4.1 纯 2D-GARCH模型 | 第27-28页 |
| 2.4.2 2D-GARCH回归模型 | 第28-29页 |
| 2.5 二维GARCH模型参数求解 | 第29-34页 |
| 2.5.1 果蝇优化算法 | 第29-31页 |
| 2.5.2 模型参数估计结果 | 第31-34页 |
| 2.6 基于 2D-GARCH模型的图像去噪算法及仿真 | 第34-40页 |
| 2.6.1 图像去噪算法 | 第34-36页 |
| 2.6.2 仿真结果及分析 | 第36-40页 |
| 2.7 本章小结 | 第40-41页 |
| 第3章 基于稀疏表示的交通场景图像超分辨率重建 | 第41-66页 |
| 3.1 稀疏表示理论 | 第41-43页 |
| 3.2 特征符号搜索算法 | 第43-44页 |
| 3.3 过完备字典的设计理论和方法 | 第44-45页 |
| 3.3.1 拉格朗日对偶法 | 第44-45页 |
| 3.3.2 主成分分析法 | 第45页 |
| 3.4 基于稀疏表示的图像重建算法流程概述 | 第45-46页 |
| 3.5 构造字典的样本集选取 | 第46-47页 |
| 3.6 基于双字典的车牌/指示牌图像重建算法 | 第47-51页 |
| 3.6.1 过完备字典对的构建算法 | 第47-49页 |
| 3.6.2 图像的高频信息恢复 | 第49-50页 |
| 3.6.3 图像的一致性整体约束 | 第50-51页 |
| 3.7 基于结构聚类型字典的车牌/指示牌图像重建算法 | 第51-56页 |
| 3.7.1 结构聚类型字典构建算法 | 第52-53页 |
| 3.7.2 自适应子字典选择 | 第53-54页 |
| 3.7.3 图像的重建模型 | 第54-55页 |
| 3.7.4 基于迭代收缩算法的图像重建 | 第55-56页 |
| 3.8 基于子字典对的车牌/指示牌图像重建算法 | 第56-59页 |
| 3.8.1 子字典对的训练 | 第57-58页 |
| 3.8.2 图像的细节信息重建 | 第58-59页 |
| 3.9 实验结果分析 | 第59-65页 |
| 3.10 本章小结 | 第65-66页 |
| 第4章 智能交通成像预处理系统的实现与测试 | 第66-80页 |
| 4.1 成像系统结构 | 第66-67页 |
| 4.2 开发环境简介 | 第67-68页 |
| 4.2.1 Visual Studio .Net | 第67页 |
| 4.2.2 Mat Lab 2010b | 第67-68页 |
| 4.3 VS与Mat Lab接口程序 | 第68-69页 |
| 4.4 软件运行流程及操作界面展示 | 第69-73页 |
| 4.5 成像预处理实际效果测试 | 第73-78页 |
| 4.5.1 相机连接及图像采集模块测试 | 第73-75页 |
| 4.5.2 交通场景图像去噪效果测试 | 第75-77页 |
| 4.5.3 车牌图像超分辨率重建效果测试 | 第77-78页 |
| 4.6 本章小结 | 第78-80页 |
| 第5章 总结与展望 | 第80-82页 |
| 5.1 总结 | 第80页 |
| 5.2 展望 | 第80-82页 |
| 参考文献 | 第82-86页 |
| 致谢 | 第86-87页 |
| 附录 | 第87页 |
