| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题背景及研究的意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 图像超分辨率算法研究 | 第12-14页 |
| 1.2.2 卷积神经网络研究 | 第14-15页 |
| 1.3 本文的主要研究内容和创新点 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-18页 |
| 第2章 图像超分辨率及卷积神经网络的基础知识和理论 | 第18-29页 |
| 2.1 图像相关概念 | 第18页 |
| 2.2 图像退化 | 第18-19页 |
| 2.3 图像超分辨率 | 第19-22页 |
| 2.3.1 基于插值的超分辨率算法 | 第19页 |
| 2.3.2 基于重建的超分辨率算法 | 第19-20页 |
| 2.3.3 基于学习的超分辨率算法 | 第20-22页 |
| 2.4 超分辨率算法评价指标 | 第22-23页 |
| 2.5 卷积神经网络 | 第23-28页 |
| 2.5.1 卷积神经网络的基本结构 | 第23-25页 |
| 2.5.2 稀疏连接和权值共享 | 第25-26页 |
| 2.5.3 CNN的训练 | 第26-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第3章 基于卷积神经网络的图像超分辨率算法 | 第29-39页 |
| 3.1 引言 | 第29页 |
| 3.2 SRCNN算法介绍 | 第29-32页 |
| 3.2.1 SRCNN模型结构 | 第29-30页 |
| 3.2.2 图像块的提取和表达 | 第30-31页 |
| 3.2.3 非线性映射 | 第31页 |
| 3.2.4 重建 | 第31-32页 |
| 3.2.5 激活函数 | 第32页 |
| 3.3 网络训练 | 第32-33页 |
| 3.3.1 目标函数 | 第32-33页 |
| 3.3.2 优化求解 | 第33页 |
| 3.4 实验仿真 | 第33-38页 |
| 3.4.1 准备工作 | 第33-35页 |
| 3.4.3 实验结果及分析 | 第35-38页 |
| 3.5 本章总结 | 第38-39页 |
| 第4章 基于边缘信息的卷积神经网络超分辨率算法研究 | 第39-48页 |
| 4.1 问题提出 | 第39页 |
| 4.2 图像边缘 | 第39-41页 |
| 4.2.1 图像边缘信息 | 第39-40页 |
| 4.2.2 图像边缘检测 | 第40-41页 |
| 4.3 模型建立及求解 | 第41-43页 |
| 4.3.1 模型建立 | 第41页 |
| 4.3.2 边缘信息求解及应用 | 第41-43页 |
| 4.4 网络训练 | 第43页 |
| 4.5 实验仿真 | 第43-47页 |
| 4.5.1 准备工作 | 第43-44页 |
| 4.5.2 实验结果及分析 | 第44-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第5章 基于循环结构及全局约束的SRCNN算法研究 | 第48-56页 |
| 5.1 问题提出 | 第48-49页 |
| 5.2 循环神经网络 | 第49-50页 |
| 5.3 数学模型建立及求解 | 第50-51页 |
| 5.3.1 循环卷积神经网络 | 第50-51页 |
| 5.3.2 全局重建约束 | 第51页 |
| 5.4 实验仿真 | 第51-55页 |
| 5.4.1 准备工作 | 第51-52页 |
| 5.4.2 实验结果及分析 | 第52-55页 |
| 5.5 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第63-64页 |
| 致谢 | 第64页 |
