基于卷积神经网络的图像纹理的超分辨率重建
| 摘要 | 第3-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 发展历史和研究现状 | 第11-14页 |
| 1.2.1 图像超分辨率重建的研究现状 | 第11-13页 |
| 1.2.2 卷积神经网络的发展历史和研究现状 | 第13-14页 |
| 1.3 研究内容和结构安排 | 第14-15页 |
| 第二章 图像超分辨率重建技术 | 第15-23页 |
| 2.1 基于插值的超分辨率技术 | 第15-18页 |
| 2.1.1 传统图像插值法 | 第15-16页 |
| 2.1.2 基于边缘的图像插值算法 | 第16-17页 |
| 2.1.3 基于小波变换的图像插值算法 | 第17-18页 |
| 2.2 基于重建约束的超分辨率重建算法 | 第18-19页 |
| 2.2.1 迭代反投影法 | 第18页 |
| 2.2.2 凸集投影法 | 第18-19页 |
| 2.2.3 最大后验概率估计法 | 第19页 |
| 2.3 基于学习的超分辨率重建算法 | 第19-22页 |
| 2.3.1 基于邻域嵌入法的超分辨率重建 | 第20页 |
| 2.3.2 基于稀疏表达的超分辨率重建 | 第20-21页 |
| 2.3.3 基于支持向量机的超分辨率重建 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 应用于图像超分辨率重建的纹理特征分类方法 | 第23-32页 |
| 3.1 纹理基本概念 | 第23-24页 |
| 3.1.1 纹理定义 | 第23页 |
| 3.1.2 纹理分类 | 第23-24页 |
| 3.1.3 纹理特性 | 第24页 |
| 3.2 基于梯度的特征提取及分类 | 第24-27页 |
| 3.2.1 基于梯度的特征提取方法 | 第24-26页 |
| 3.2.2 基于梯度的最近邻分类方法 | 第26-27页 |
| 3.3 图像纹理的提取方法 | 第27-30页 |
| 3.3.1 基于总变差模型的图像主结构提取 | 第27-29页 |
| 3.3.2 图像纹理的提取 | 第29-30页 |
| 3.4 应用于图像超分辨率重建的纹理特征分类方法 | 第30-31页 |
| 3.4.1 问题描述 | 第30页 |
| 3.4.2 算法设计 | 第30-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第四章 基于卷积神经网络的图像纹理的超分辨率重建 | 第32-40页 |
| 4.1 卷积神经网络 | 第32-35页 |
| 4.1.1 核心思想 | 第32-33页 |
| 4.1.2 网络结构 | 第33页 |
| 4.1.3 前向传播算法 | 第33-34页 |
| 4.1.4 反向传播算法 | 第34-35页 |
| 4.2 基于卷积神经网络的超分辨率技术 | 第35-36页 |
| 4.2.1 网络结构 | 第35-36页 |
| 4.2.2 训练 | 第36页 |
| 4.3 基于卷积神经网络的图像纹理的超分辨率重建 | 第36-39页 |
| 4.3.1 网络结构 | 第36-38页 |
| 4.3.2 算法流程 | 第38-39页 |
| 4.4 本章小结 | 第39-40页 |
| 第五章 实验过程及结果分析 | 第40-50页 |
| 5.1 图像质量评价标准 | 第40-42页 |
| 5.1.1 峰值信噪比 | 第40-41页 |
| 5.1.2 结构相似度 | 第41-42页 |
| 5.2 实验参数选择 | 第42-43页 |
| 5.2.1 预处理的参数设置 | 第42页 |
| 5.2.2 网络训练的参数设置 | 第42-43页 |
| 5.3 实验结果与分析 | 第43-48页 |
| 5.3.1 纹理图像分类结果 | 第43-45页 |
| 5.3.2 图像超分辨率重建的结果与比较 | 第45-48页 |
| 5.4 本章小结 | 第48-50页 |
| 第六章 总结与展望 | 第50-52页 |
| 6.1 本文总结 | 第50页 |
| 6.2 进一步的工作和展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 硕士阶段成果 | 第56-57页 |
| 致谢 | 第57-58页 |
| 附录 程序清单 | 第58-71页 |
