大视场高分辨率光学系统计算成像算法研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第10-24页 |
| 1.1 意义与目的 | 第10-11页 |
| 1.2 计算成像算法发展现状 | 第11-13页 |
| 1.2.1 计算成像像差校正 | 第11-12页 |
| 1.2.2 图像超分辨率重建算法 | 第12页 |
| 1.2.3 图像深度重建与复原 | 第12页 |
| 1.2.4 波前编码 | 第12-13页 |
| 1.3 对比度增强算法发展现状 | 第13-18页 |
| 1.3.1 直方图均衡 | 第13-15页 |
| 1.3.2 Retinex方法 | 第15-18页 |
| 1.4 图像超分辨率重建发展现状 | 第18-21页 |
| 1.4.1 前向观测模型 | 第18-19页 |
| 1.4.2 基于插值的超分辨率重建算法 | 第19-20页 |
| 1.4.3 基于先验的图像超分辨率重建算法 | 第20-21页 |
| 1.4.4 基于学习的图像超分辨率重建算法 | 第21页 |
| 1.5 编码曝光方法研究现状 | 第21-23页 |
| 1.6 研究内容和方法 | 第23-24页 |
| 2 基于分块重叠的对比度增强算法 | 第24-34页 |
| 2.1 图像分块与灰度平均算法 | 第24-28页 |
| 2.1.1 图像分块平均灰度计算 | 第24-26页 |
| 2.1.2 图像分块重叠算法 | 第26-28页 |
| 2.2 图像背景运算算法 | 第28-29页 |
| 2.3 图像自适应算法研究 | 第29-30页 |
| 2.4 编码曝光算法 | 第30-31页 |
| 2.5 算法小结与效果 | 第31-34页 |
| 3 超分辨率模型、稀疏表示及字典学习 | 第34-44页 |
| 3.1 超分辨率模型 | 第34-40页 |
| 3.1.1 稀疏表示基础 | 第34-36页 |
| 3.1.2 稀疏表示的方法 | 第36-38页 |
| 3.1.3 稀疏表示的优化方法 | 第38-40页 |
| 3.2 过完备字典设计 | 第40-44页 |
| 3.2.1 K-SVD方法 | 第41-43页 |
| 3.2.2 稀疏字典学习方法 | 第43-44页 |
| 4 基于稀疏表示的超分辨率图像重建算法 | 第44-53页 |
| 4.1 样本集选取以及算法流程 | 第44-46页 |
| 4.1.1 样本集选取 | 第44-45页 |
| 4.1.2 算法流程 | 第45-46页 |
| 4.2 字典构建算法 | 第46-51页 |
| 4.3 PSF优化算法建立 | 第51-53页 |
| 5 实验结果与分析 | 第53-69页 |
| 5.1 图像对比度增强实验结果与分析 | 第53-62页 |
| 5.1.1 实验结果 | 第53-56页 |
| 5.1.2 实验分析理论 | 第56-58页 |
| 5.1.3 算法对比 | 第58-62页 |
| 5.1.4 编码曝光实验结果 | 第62页 |
| 5.2 图像超分辨重建实验结果与分析 | 第62-69页 |
| 5.2.1 实验结果 | 第62-65页 |
| 5.2.2 实验分析理论 | 第65-66页 |
| 5.2.3 算法对比 | 第66-69页 |
| 6 总结与展望 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 作者简介 | 第76-77页 |
| 攻读硕士学位期间所取得的科研成果 | 第77页 |
