| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 缩略语表 | 第9-10页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.2.1 国外研究现状 | 第11-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 研究内容及目标 | 第14-16页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 研究目标 | 第15-16页 |
| 2 传统超分辨率图像重建理论 | 第16-23页 |
| 2.1 超分辨率图像重建模型 | 第16-17页 |
| 2.2 基于插值的超分算法 | 第17-20页 |
| 2.2.1 双三次插值算法 | 第17-18页 |
| 2.2.2 方向自适应插值算法 | 第18-20页 |
| 2.3 基于重建的超分算法 | 第20-21页 |
| 2.3.1 最大后验概率算法(MAP) | 第20-21页 |
| 2.4 基于学习的超分算法 | 第21-22页 |
| 2.4.1 稀疏表示算法 | 第21-22页 |
| 2.5 小结 | 第22-23页 |
| 3 基于SCN-MSE的超分辨率图像重建理论 | 第23-34页 |
| 3.1 离散小波变换DWT | 第23-27页 |
| 3.2 训练数据库的建立 | 第27-30页 |
| 3.3 低频子带间模块匹配 | 第30-32页 |
| 3.4 高频子带系数重建 | 第32-33页 |
| 3.5 小结 | 第33-34页 |
| 4 实验材料与仿真结果分析 | 第34-46页 |
| 4.1 实验材料与设备 | 第34-35页 |
| 4.2 仿真结果与分析 | 第35-45页 |
| 4.2.1 仿真结果的主观分析 | 第35-42页 |
| 4.2.2 仿真结果的客观分析 | 第42-45页 |
| 4.3 小结 | 第45-46页 |
| 5 基于SCN-MSE的超分算法和SVM对樟子松与樟子松树皮的识别 | 第46-51页 |
| 5.1 图像预处理 | 第46页 |
| 5.2 特征参数 | 第46-47页 |
| 5.3 基于SVM多项式核函数的樟子松与樟子松树皮识别 | 第47-49页 |
| 5.3.1 SVM的识别原理 | 第48-49页 |
| 5.3.2 多项式核函数 | 第49页 |
| 5.4 识别结果与分析 | 第49-50页 |
| 5.5 小结 | 第50-51页 |
| 6 结论与创新 | 第51-52页 |
| 6.1 结论 | 第51页 |
| 6.2 创新 | 第51-52页 |
| 7 思考 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 附录 | 第58-69页 |
| 作者简介 | 第69页 |