基于稀疏表示的图像超分辨率重建算法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 1 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 研究重点与组织结构 | 第15-17页 |
| 2 超分辨率重建理论基础 | 第17-33页 |
| 2.1 超分辨率的概念 | 第17页 |
| 2.2 超分辨率重建数学模型 | 第17-19页 |
| 2.2.1 图像退化模型 | 第17-19页 |
| 2.2.2 图像重建过程 | 第19页 |
| 2.3 超分辨率重建方法概述 | 第19-29页 |
| 2.3.1 基于插值的SRR方法 | 第20-22页 |
| 2.3.2 基于重建模型的SRR方法 | 第22-24页 |
| 2.3.3 基于学习的SRR方法 | 第24-29页 |
| 2.4 重建图像质量评价标准 | 第29-32页 |
| 2.4.1 客观质量评价 | 第29-31页 |
| 2.4.2 主观质量评价 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 3 SCSR算法原理和实现 | 第33-50页 |
| 3.1 稀疏表示理论 | 第33-39页 |
| 3.1.1 基本原理 | 第33-35页 |
| 3.1.2 优化问题求解 | 第35-39页 |
| 3.2 特征提取方法 | 第39-45页 |
| 3.2.1 基于梯度的特征提取算法 | 第39-40页 |
| 3.2.2 基于小波分解的特征提取算法 | 第40-42页 |
| 3.2.3 基于非下采样的特征提取算法 | 第42-45页 |
| 3.3 字典学习算法 | 第45-48页 |
| 3.3.1 字典学习模型 | 第45-47页 |
| 3.3.2 KSVD字典训练算法 | 第47-48页 |
| 3.4 本章小结 | 第48-50页 |
| 4 SCSR优化算法原理和实现 | 第50-62页 |
| 4.1 自适应的稀疏编码方法 | 第50-56页 |
| 4.1.1 问题模型 | 第50-52页 |
| 4.1.2 ADMM求解算法 | 第52-56页 |
| 4.2 自适应稀疏编码的SRR方法 | 第56-61页 |
| 4.2.1 整体框架 | 第56-57页 |
| 4.2.2 详细算法过程 | 第57-61页 |
| 4.3 本章小结 | 第61-62页 |
| 5 仿真实验与算法分析 | 第62-85页 |
| 5.1 数据集合 | 第62-63页 |
| 5.2 字典对重建的影响 | 第63-69页 |
| 5.3 图像重建效果分析 | 第69-71页 |
| 5.4 算法抗噪声性能分析 | 第71-83页 |
| 5.5 本章小结 | 第83-85页 |
| 6 总结与展望 | 第85-88页 |
| 6.1 全文工作总结 | 第85-86页 |
| 6.2 今后研究与展望 | 第86-88页 |
| 致谢 | 第88-89页 |
| 参考文献 | 第89-94页 |
| 研究成果及发表的学术论文 | 第94页 |
