基于稀疏表示的图像超分辨率算法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-12页 |
| ·研究背景和意义 | 第9-10页 |
| ·本文主要工作 | 第10-11页 |
| ·本文章节安排 | 第11-12页 |
| 第二章 图像超分辨率算法研究现状 | 第12-23页 |
| ·一般成像模型 | 第12-13页 |
| ·基于频率域的SR算法 | 第13-14页 |
| ·基于插值的SR算法 | 第14-16页 |
| ·基于正则化的SR方法 | 第16-19页 |
| ·ML估计方法 | 第16-17页 |
| ·MAP估计方法 | 第17-19页 |
| ·基于学习的超分辨率图像方法 | 第19-20页 |
| ·基于稀疏表示的SR方法 | 第20-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 稀疏表示理论及联合字典训练 | 第23-33页 |
| ·引言 | 第23-24页 |
| ·基本问题 | 第24-25页 |
| ·优化问题 | 第25-26页 |
| ·稀疏学习与字典学习算法介绍 | 第26-30页 |
| ·系数学习：Feature-Sign查找法 | 第26-29页 |
| ·学习字典——Lagrange dual方法 | 第29-30页 |
| ·联合字典训练 | 第30-31页 |
| ·本章小结 | 第31-33页 |
| 第四章 基于稀疏表示的图像SR改进方法 | 第33-46页 |
| ·本文方法概述 | 第33-37页 |
| ·训练阶段 | 第33-35页 |
| ·重构阶段 | 第35-37页 |
| ·基于特征聚类的SR方法 | 第37-41页 |
| ·学习子字典对 | 第37-39页 |
| ·鲁棒的子字典自适应选择 | 第39-41页 |
| ·自适应块大小进行重构 | 第41-43页 |
| ·PCA降维提高重构速度 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 第五章 实验结果与分析 | 第46-59页 |
| ·实验环境和参数设置 | 第46-47页 |
| ·评估标准 | 第47-48页 |
| ·聚类方法的效果 | 第48-50页 |
| ·自适应块大小的效果 | 第50-52页 |
| ·PCA降维的效果 | 第52-55页 |
| ·总体实验效果及分析 | 第55-58页 |
| ·本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| ·总结 | 第59-60页 |
| ·展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士学位期间发表的论文 | 第65页 |
