| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题的背景及研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.3 本文主要研究内容 | 第15-16页 |
| 第2章 视频图像超分辨率重建算法 | 第16-24页 |
| 2.1 图像特征的配准方法 | 第16-19页 |
| 2.1.1 图像的特征提取 | 第16-17页 |
| 2.1.2 图像特征匹配 | 第17页 |
| 2.1.3 变换模型选取及求解参数 | 第17-18页 |
| 2.1.4 坐标变换与插值 | 第18-19页 |
| 2.2 图像的稀疏表示 | 第19-23页 |
| 2.2.1 字典的训练原理 | 第20-21页 |
| 2.2.2 视频图像超分辨率重建模型 | 第21-23页 |
| 2.2.3 重建算法描述 | 第23页 |
| 2.3 本章小节 | 第23-24页 |
| 第3章 基于Lucas Kanade与MSA的配准算法 | 第24-30页 |
| 3.1 光流算法 | 第24-26页 |
| 3.1.1 Lucas–Kanade光流算法 | 第24-26页 |
| 3.2 基于多尺度自卷积（MSA）的特征匹配方法 | 第26-27页 |
| 3.3 实验结果分析 | 第27-29页 |
| 3.4 本章小节 | 第29-30页 |
| 第4章 字典重建算法研究与超分辨重建 | 第30-39页 |
| 4.1 字典算法对稀疏重建算法的影响 | 第30-35页 |
| 4.1.1 样本数集选取 | 第32-33页 |
| 4.1.2 字典训练中特征提取 | 第33页 |
| 4.1.3 改进的二维主成分分析 | 第33-35页 |
| 4.1.4 K-SVD聚类算法 | 第35页 |
| 4.2 高分辨率图像的重建 | 第35-38页 |
| 4.3 本章小结 | 第38-39页 |
| 第5章 超分辨图像质量评估算法 | 第39-49页 |
| 5.1 基于梯度信息的质量评估方法 | 第39-43页 |
| 5.1.1 Xydeas和Petrovic方法 | 第40-41页 |
| 5.1.2 边缘强度及梯度方向改进 | 第41-42页 |
| 5.1.3 边缘保持量的计算 | 第42-43页 |
| 5.2 实验结果分析 | 第43-48页 |
| 5.3 本章小结 | 第48-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 攻读学位期间发表的学术论文 | 第53-54页 |
| 致谢 | 第54页 |