| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景与研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文的主要工作以及章节安排 | 第11-14页 |
| 第二章 压缩图像超分辨率重建方法概述 | 第14-22页 |
| 2.1 压缩图像超分辨率重建基础理论 | 第14-16页 |
| 2.1.1 图像压缩理论 | 第14-15页 |
| 2.1.2 压缩图像超分辨率重建基础理论 | 第15-16页 |
| 2.2 极限支持向量机回归 | 第16-18页 |
| 2.3 基于自适应驻点邻域回归的图像超分辨率重建方法 | 第18-19页 |
| 2.4 基于正则化稀疏方法的盲去模糊 | 第19-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 基于子空间回归的压缩图像超分辨率重建方法 | 第22-41页 |
| 3.1 引言 | 第22-23页 |
| 3.2 基于子空间回归的压缩图像超分辨率重建算法总述 | 第23-28页 |
| 3.2.1 与A+算法异同 | 第23-25页 |
| 3.2.2 算法总述 | 第25-28页 |
| 3.3 子空间的训练 | 第28-29页 |
| 3.3.1 子空间训练样本的特征选择 | 第28页 |
| 3.3.2 子空间训练模型 | 第28-29页 |
| 3.4 基于子空间回归的压缩图像超分辨率重建 | 第29-33页 |
| 3.4.1 基于子空间的训练样本划分问题 | 第29-31页 |
| 3.4.2 基于ESVR的多元回归模型学习 | 第31-32页 |
| 3.4.3 多回归模型估计的高频成分融合 | 第32-33页 |
| 3.5 实验与分析 | 第33-40页 |
| 3.5.1 实验环境与参数设置 | 第33-35页 |
| 3.5.2 实验结果的对比与分析 | 第35-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 面向车辆图像的超分辨率重建方法 | 第41-59页 |
| 4.1 引言 | 第41-42页 |
| 4.2 面向车辆图像的超分辨率重建算法总述 | 第42-44页 |
| 4.2.1 车辆图像降质模型 | 第42-43页 |
| 4.2.2 算法流程 | 第43-44页 |
| 4.3 采用压缩图像重建算法去压缩效应 | 第44-45页 |
| 4.4 面向车辆图像的扩尺度超分辨率重建 | 第45-50页 |
| 4.4.1 与ESVR人脸重建算法异同 | 第45-47页 |
| 4.4.2 训练部分 | 第47-49页 |
| 4.4.3 重建部分 | 第49-50页 |
| 4.5 实验与分析 | 第50-58页 |
| 4.5.1 实验环境与参数设置 | 第50-51页 |
| 4.5.2 实验结果的比较和分析 | 第51-58页 |
| 4.6 本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59-60页 |
| 5.2 不足与展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 附录1 攻读硕士学位期间申请的专利 | 第64-65页 |
| 致谢 | 第65页 |