| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 引言 | 第10页 |
| 1.2 超分辨率重构研究现状 | 第10-15页 |
| 1.2.1 多幅低分辨率图像的融合与估计 | 第11-13页 |
| 1.2.2 单幅低分辨率图像的超分辨率重构方法 | 第13-15页 |
| 1.3 机器学习超分辨率重构算法的局限性 | 第15-16页 |
| 1.4 本文工作和章节安排 | 第16-17页 |
| 第二章 结构分类字典和多特征描述的 SCSR 改进算法 | 第17-35页 |
| 2.1 SCSR 算法原理和局限性 | 第17-19页 |
| 2.1.1 联合稀疏编码 | 第17-18页 |
| 2.1.2 特征算子选择 | 第18-19页 |
| 2.1.3 全局优化模型 | 第19页 |
| 2.2 基于内容的分类结构字典设计和超分辨率重构全局正则优化模型 | 第19-22页 |
| 2.2.1 图像块分类准则 | 第20-21页 |
| 2.2.2 多特征描述方案 | 第21-22页 |
| 2.2.3 BTV 正则项全局优化 | 第22页 |
| 2.3 内容分类结构字典训练步骤和超分辨率重构方案 | 第22-24页 |
| 2.4 实验结果与分析 | 第24-34页 |
| 2.4.1 字典维数的选取分析 | 第26-28页 |
| 2.4.2 正则参数设置 | 第28-29页 |
| 2.4.3 不同算法重构图像的质量比较 | 第29-33页 |
| 2.4.4 算法复杂度比较 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 基于稀疏表示多尺度字典的 SCSR 改进算法 | 第35-55页 |
| 3.1 多尺度字典学习算法 | 第35-37页 |
| 3.1.1 字典训练集的选取 | 第35-37页 |
| 3.1.2 基于稀疏编码的多尺度字典训练 | 第37页 |
| 3.2 基于多尺度字典的超分辨率重构算法 | 第37-42页 |
| 3.2.1 稀疏字典超分辨率重构及多尺度 k-NN 图像块加权 | 第38-40页 |
| 3.2.2 最小残差约束的自适应 k 值方案 | 第40-42页 |
| 3.3 实验结果与分析 | 第42-54页 |
| 3.3.1 多尺度层数的选取分析 | 第43-46页 |
| 3.3.2 固定 k 值与自适应 k 值的图像重构性能比较 | 第46-48页 |
| 3.3.3 不同算法重构图像的质量比较 | 第48-52页 |
| 3.3.4 算法复杂度比较 | 第52-54页 |
| 3.4 本章小结 | 第54-55页 |
| 第四章 多向格型梯度约束最优解的超分辨率重构算法 | 第55-64页 |
| 4.1 格型梯度算子 | 第55-58页 |
| 4.1.1 格型陪线梯度定义 | 第56页 |
| 4.1.2 梯度方向向量表示 | 第56-58页 |
| 4.2 多向格型梯度约束的超分辨率重构最优解 | 第58页 |
| 4.3 实验结果与分析 | 第58-63页 |
| 4.3.1 不同算法重构图像的质量比较 | 第59-61页 |
| 4.3.2 格型梯度对图像边缘残差的抑制效果 | 第61-63页 |
| 4.4 本章小结 | 第63-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间取得的研究成果 | 第69-70页 |
| 致谢 | 第70-71页 |
| 附件 | 第71页 |
