| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外发展现状 | 第9-11页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.2.3 研究现状小结 | 第11页 |
| 1.3 论文研究内容 | 第11-12页 |
| 1.4 论文组织结构 | 第12-14页 |
| 第2章 单幅图像超分辨率技术的相关研究 | 第14-24页 |
| 2.1 图像退化模型 | 第14-15页 |
| 2.2 单幅图像超分辨率的主要方法 | 第15-18页 |
| 2.2.1 基于插值的方法 | 第15-16页 |
| 2.2.2 基于重建的方法 | 第16-17页 |
| 2.2.3 基于学习的方法 | 第17-18页 |
| 2.3 图像金字塔 | 第18-19页 |
| 2.4 多尺度自相似性 | 第19-22页 |
| 2.4.1 相似性 | 第19-20页 |
| 2.4.2 相似性度量方法 | 第20-21页 |
| 2.4.3 多尺度图像之间的结构相似性 | 第21-22页 |
| 2.5 图像质量评价指标 | 第22页 |
| 2.6 本章小结 | 第22-24页 |
| 第3章 基于多尺度自相似性学习的单幅图像超分辨率技术 | 第24-36页 |
| 3.1 多尺度自相似性概述 | 第24-25页 |
| 3.2 基于稀疏表示的超分辨率模型概述 | 第25-27页 |
| 3.2.1 字典训练阶段 | 第25-26页 |
| 3.2.2 图像重建阶段 | 第26-27页 |
| 3.3 字典训练阶段的改进 | 第27-30页 |
| 3.3.1 收集训练样本集 | 第28-29页 |
| 3.3.2 多尺度字典训练过程 | 第29-30页 |
| 3.3.3 重建高分辨率图像 | 第30页 |
| 3.4 实验结果及分析 | 第30-35页 |
| 3.4.1 实验图像选取 | 第30-31页 |
| 3.4.2 有参质量分析 | 第31-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 结合多尺度学习与非局部约束的单幅图像超分辨率技术 | 第36-46页 |
| 4.1 引言 | 第36页 |
| 4.2 图像重建阶段的改进 | 第36-39页 |
| 4.2.1 自适应加权改进目标公式 | 第36-38页 |
| 4.2.2 迭代收缩算法 | 第38-39页 |
| 4.3 超分辨率过程总结 | 第39-41页 |
| 4.3.1 超分辨率改进算法 | 第39-40页 |
| 4.3.2 算法架构图 | 第40-41页 |
| 4.4 实验结果与分析 | 第41-45页 |
| 4.4.1 有参质量分析 | 第41-44页 |
| 4.4.2 无参质量分析 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第5章 结论与展望 | 第46-48页 |
| 5.1 研究工作总结 | 第46页 |
| 5.2 展望 | 第46-48页 |
| 参考文献 | 第48-52页 |
| 攻读硕士期间发表的论文 | 第52-54页 |
| 致谢 | 第54页 |