监控视频人脸图像超分辨率技术
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.3 本文主要工作和章节安排 | 第17-20页 |
| 第2章 相关理论基础 | 第20-36页 |
| 2.1 图像去噪 | 第20-24页 |
| 2.1.1 图像噪声模型 | 第20-21页 |
| 2.1.2 中值滤波图像去噪方法 | 第21-23页 |
| 2.1.3 小波去噪方法 | 第23-24页 |
| 2.2 图像增强 | 第24-26页 |
| 2.2.1 空域图像增强 | 第24-25页 |
| 2.2.2 频域图像增强 | 第25-26页 |
| 2.3 图像超分辨率 | 第26-31页 |
| 2.3.1 图像退化的数学模型 | 第26-27页 |
| 2.3.2 双三次插值算法 | 第27-29页 |
| 2.3.3 稀疏表示图像超分辨率 | 第29-31页 |
| 2.4 图像质量评价方法 | 第31-34页 |
| 2.4.1 全参考图像质量评价 | 第31-33页 |
| 2.4.2 无参考图像质量评价 | 第33-34页 |
| 2.5 本章小结 | 第34-36页 |
| 第3章 监控视频人脸图像清晰化技术 | 第36-56页 |
| 3.1 改进的稀疏表示图像去噪方法 | 第36-45页 |
| 3.1.1 基本思想 | 第36-37页 |
| 3.1.2 图像奇异值分解 | 第37-38页 |
| 3.1.3 图像的稀疏模型 | 第38-40页 |
| 3.1.4 基于K-SVD算法的字典训练 | 第40-42页 |
| 3.1.5 图像去噪实验结果与分析 | 第42-45页 |
| 3.2 模糊理论和引导滤波器结合的图像增强方法 | 第45-54页 |
| 3.2.1 基本思想 | 第45-46页 |
| 3.2.2 基于模糊理论的图像色彩增强 | 第46-48页 |
| 3.2.3 引导滤波器图像细节增强 | 第48-51页 |
| 3.2.4 图像增强实验结果与分析 | 第51-54页 |
| 3.3 本章小结 | 第54-56页 |
| 第4章 基于卷积神经网络的图像超分辨率方法 | 第56-74页 |
| 4.1 卷积神经网络 | 第56-61页 |
| 4.1.1 基本思想 | 第56-59页 |
| 4.1.2 反向传播算法 | 第59-61页 |
| 4.2 卷积神经网络的图像超分辨率 | 第61-65页 |
| 4.2.1 网络结构与参数 | 第62-64页 |
| 4.2.2 网络训练 | 第64-65页 |
| 4.3 实验结果与分析 | 第65-73页 |
| 4.4 本章小结 | 第73-74页 |
| 第5章 总结与展望 | 第74-76页 |
| 5.1 论文工作总结 | 第74页 |
| 5.2 后续工作展望 | 第74-76页 |
| 参考文献 | 第76-82页 |
| 致谢 | 第82-84页 |
| 在读期间发表的学术论文与取得的研究成果 | 第84页 |
