| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 课题研究背景及意义 | 第12-13页 |
| 1.2 图像超分辨率和去噪技术的研究现状 | 第13-15页 |
| 1.3 论文内容及结构安排 | 第15-17页 |
| 第二章 深度卷积神经网络理论分析 | 第17-23页 |
| 2.1 引言 | 第17页 |
| 2.2 深度卷积神经网络基本结构 | 第17-19页 |
| 2.3 残差学习 | 第19-20页 |
| 2.4 随机梯度下降算法 | 第20-21页 |
| 2.5 网络级联 | 第21-22页 |
| 2.6 本章小结 | 第22-23页 |
| 第三章 基于深度卷积神经网络的图像超分辨率算法 | 第23-41页 |
| 3.1 引言 | 第23页 |
| 3.2 SRCNN网络模型 | 第23-25页 |
| 3.3 图像超分辨率网络模型MSRCNN | 第25-30页 |
| 3.3.1 多尺度特征映射结构 | 第25-26页 |
| 3.3.2 MSRCNN网络结构 | 第26-28页 |
| 3.3.3 单一网络模型实现多个放大因子的图像超分辨 | 第28-30页 |
| 3.4 图像超分辨率的评估指标 | 第30-31页 |
| 3.5 MSRCNN的实验设置和性能分析 | 第31-35页 |
| 3.5.1 实验设置 | 第31-33页 |
| 3.5.2 单一MSRCNN模型实现不同放大因子的图像超分辨 | 第33-34页 |
| 3.5.3 网络深度对MSRCNN表现的影响 | 第34-35页 |
| 3.6 MSRCNN与多种超分辨率算法对比及分析 | 第35-40页 |
| 3.7 本章小结 | 第40-41页 |
| 第四章 基于深度卷积神经网络的图像去噪算法 | 第41-57页 |
| 4.1 引言 | 第41页 |
| 4.2 图像去噪网络模型IDCNN | 第41-43页 |
| 4.3 实验设置 | 第43-44页 |
| 4.4 IDCNN网络模型性能分析 | 第44-49页 |
| 4.4.1 固定噪声掩膜和不固定噪声掩膜 | 第44-45页 |
| 4.4.2 网络初始学习率分析 | 第45-46页 |
| 4.4.3 网络深度对模型的影响 | 第46-47页 |
| 4.4.4 单一模型修复不同等级噪声污染图 | 第47-49页 |
| 4.5 实验对比和分析 | 第49-56页 |
| 4.6 本章小结 | 第56-57页 |
| 总结与展望 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 攻读学位期间发表的论文和专利 | 第64-66页 |
| 致谢 | 第66页 |