| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 本文的主要内容与组织结构 | 第13-15页 |
| 第二章 超分辨率重建技术概述 | 第15-29页 |
| 2.1 数字图像的降质模型 | 第15-16页 |
| 2.2 图像超分辨率算法概述 | 第16-25页 |
| 2.2.1 基于插值的算法 | 第16-19页 |
| 2.2.2 基于重建的算法 | 第19-22页 |
| 2.2.3 基于学习的算法 | 第22-25页 |
| 2.3 图像质量评价 | 第25-27页 |
| 2.3.1 图像的主观评价方法 | 第25-26页 |
| 2.3.2 图像的客观评价方法 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第三章 基于稀疏表示的重建技术 | 第29-39页 |
| 3.1 图像稀疏表示理论 | 第29-31页 |
| 3.2 过完备字典的设计 | 第31-35页 |
| 3.2.1 最佳方向法 | 第32页 |
| 3.2.2 广义PCA法 | 第32-33页 |
| 3.2.3 K-SVD法 | 第33-35页 |
| 3.3 稀疏表示稀疏的求解 | 第35-37页 |
| 3.3.1 基追踪法 | 第35-36页 |
| 3.3.2 匹配追踪法 | 第36页 |
| 3.3.3 正交匹配追踪法 | 第36-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第四章 基于自相似性的单幅图像超分辨率重建 | 第39-52页 |
| 4.1 引言 | 第39页 |
| 4.2 图像中存在的相似性 | 第39-41页 |
| 4.3 利用自相似性来生成图像训练集 | 第41-44页 |
| 4.4 利用K-SVD与字典邻域来求解高分辨率图像 | 第44-45页 |
| 4.5 实验结果与分析 | 第45-51页 |
| 4.5.1 彩色图像的处理 | 第45页 |
| 4.5.2 图像特征的提取 | 第45-46页 |
| 4.5.3 实验参数设置 | 第46页 |
| 4.5.4 实验结果与分析 | 第46-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 攻读学位期间发表的学术论文 | 第58-59页 |
| 附件 | 第59页 |