结合图像纹理分割的改进卷积神经网络超分辨率图像重建算法研究
| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 课题研究背景及目的 | 第9-10页 |
| 1.2 超分辨率图像重建国内外研究现状 | 第10-13页 |
| 1.2.1 基于插值的超分辨率重建算法 | 第10页 |
| 1.2.2 基于重建的超分辨率重建算法 | 第10-11页 |
| 1.2.3 基于学习的超分辨率图像重建算法 | 第11-13页 |
| 1.3 本文的主要工作及章节安排 | 第13-15页 |
| 2 卷积神经网络理论基础 | 第15-26页 |
| 2.1 人工神经网络概述 | 第15-18页 |
| 2.1.1 人工神经网络结构 | 第15-17页 |
| 2.1.2 BP算法 | 第17-18页 |
| 2.2 卷积神经网络概述 | 第18-23页 |
| 2.2.1 卷积神经网络简介 | 第18-19页 |
| 2.2.2 卷积神经网络结构 | 第19-21页 |
| 2.2.3 卷积神经网络的前馈传播 | 第21-23页 |
| 2.3 基于卷积神经网络的超分辨率算法 | 第23-25页 |
| 2.3.1 SRCNN算法概述 | 第23页 |
| 2.3.2 SRCNN算法具体步骤 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 改进的超分辨率卷积神经网络 | 第26-46页 |
| 3.1 耦合深度自编码器 | 第26-30页 |
| 3.1.1 自编码器原理简介 | 第26-27页 |
| 3.1.2 常见自编码器简介 | 第27-28页 |
| 3.1.3 耦合深度自编码器算法简介 | 第28-30页 |
| 3.2 改进的耦合深度自编码器 | 第30-36页 |
| 3.2.1 低分辨率自编码器 | 第31页 |
| 3.2.2 残差自编码器 | 第31-32页 |
| 3.2.3 映射层 | 第32-33页 |
| 3.2.4 改进的耦合深度自编码器的算法流程 | 第33-36页 |
| 3.3 实验结果与分析 | 第36-45页 |
| 3.3.1 彩色图像的重建 | 第36-37页 |
| 3.3.2 训练数据与测试数据的处理 | 第37页 |
| 3.3.3 模型参数的选择 | 第37-41页 |
| 3.3.4 与其他算法的对比 | 第41-45页 |
| 3.4 本章小结 | 第45-46页 |
| 4 结合图像纹理分割的超分辨率重建算法 | 第46-64页 |
| 4.1 图像纹理基本概念 | 第46-47页 |
| 4.1.1 图像纹理的定义 | 第46页 |
| 4.1.2 图像纹理的种类 | 第46-47页 |
| 4.1.3 图像纹理的特性 | 第47页 |
| 4.2 图像纹理分割方法 | 第47-52页 |
| 4.2.1 基于相对总变差模型的图像结构提取 | 第47-50页 |
| 4.2.2 改进的图像纹理分割方法 | 第50-52页 |
| 4.3 结合图像纹理分割的超分辨率重建算法 | 第52-54页 |
| 4.3.1 算法的重建过程 | 第52-53页 |
| 4.3.2 算法的训练过程 | 第53-54页 |
| 4.4 实验结果与分析 | 第54-63页 |
| 4.4.1 单张图像的纹理分割实验 | 第55-57页 |
| 4.4.2 训练过程中的纹理分割 | 第57-58页 |
| 4.4.3 图像重建结果及分析 | 第58-63页 |
| 4.5 本章小结 | 第63-64页 |
| 5 总结与展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 附录 | 第71页 |
| 作者在攻读学位期间发表的论文目录 | 第71页 |
