基于卷积神经网络的图像超分辨率重建算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题背景及研究目的和意义 | 第10-11页 |
| 1.2 存在的难点分析 | 第11页 |
| 1.3 本文研究内容与创新点 | 第11-13页 |
| 1.3.1 本文的研究内容 | 第11-12页 |
| 1.3.2 本文的创新点 | 第12-13页 |
| 1.4 论文的章节内容安排 | 第13-14页 |
| 第2章 图像超分辨率相关研究工作 | 第14-18页 |
| 2.1 传统的超分辨率重建算法 | 第14-15页 |
| 2.1.1 基于插值的超分辨率重建算法 | 第14-15页 |
| 2.1.2 基于重建模型的超分辨重建算法 | 第15页 |
| 2.2 基于学习的超分辨率重建算法 | 第15-17页 |
| 2.2.1 基于浅层学习的超分辨率重建算法 | 第15-16页 |
| 2.2.2 基于深度学习的图像超分辨率重建算法 | 第16-17页 |
| 2.3 本章小结 | 第17-18页 |
| 第3章 卷积神经网络相关理论 | 第18-25页 |
| 3.1 卷积神经网络的特性 | 第18页 |
| 3.2 卷积神经网络的结构 | 第18-22页 |
| 3.2.1 卷积层 | 第19-20页 |
| 3.2.2 池化层 | 第20-21页 |
| 3.2.3 全连接层 | 第21页 |
| 3.2.4 激活函数层 | 第21-22页 |
| 3.3 反向传播算法 | 第22-24页 |
| 3.4 CAFFE简介 | 第24页 |
| 3.5 本章小结 | 第24-25页 |
| 第4章 基于浅层卷积神经网络的超分辨率重建算法 | 第25-39页 |
| 4.1 算法概述 | 第25-28页 |
| 4.1.1 图像聚类算法 | 第25-27页 |
| 4.1.2 子空间复原算法 | 第27-28页 |
| 4.2 浅层卷积神经网络设计 | 第28-32页 |
| 4.2.1 浅层卷积神经网络的模型设计 | 第29-30页 |
| 4.2.2 浅层卷积神经网络的改进 | 第30-31页 |
| 4.2.3 网络的训练与测试算法 | 第31-32页 |
| 4.3 卷积神经网络的训练 | 第32页 |
| 4.4 超分辨率重建效果评价标准 | 第32-33页 |
| 4.5 实验结果及分析 | 第33-38页 |
| 4.6 本章小结 | 第38-39页 |
| 第5章 基于复杂卷积神经网络的超分辨率重建算法 | 第39-50页 |
| 5.1 图像分解 | 第39-41页 |
| 5.2 基于边缘指导的双通道输入卷积神经网络模型 | 第41-44页 |
| 5.2.1 双通道输入层设计 | 第41-42页 |
| 5.2.2 conv1卷积层设计 | 第42页 |
| 5.2.3 conv2至conv9卷积层设计 | 第42-43页 |
| 5.2.4 conv10卷积层设计 | 第43页 |
| 5.2.5 输出层设计 | 第43-44页 |
| 5.2.6 loss层设计 | 第44页 |
| 5.3 网络的训练与测试算法 | 第44-45页 |
| 5.4 卷积神经网络的训练 | 第45页 |
| 5.5 实验结果及分析 | 第45-49页 |
| 5.5.1 重建算法的主观评价 | 第46-47页 |
| 5.5.2 重建算法的客观评价 | 第47-49页 |
| 5.6 本章小结 | 第49-50页 |
| 第6章 总结与展望 | 第50-52页 |
| 6.1 內容总结 | 第50-51页 |
| 6.2 研究展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第56-57页 |
| 致谢 | 第57页 |
