| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1. 绪论 | 第10-15页 |
| 1.1 研究背景和研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 研究思路与论文结构安排 | 第13-14页 |
| 1.3.1 研究目的 | 第13-14页 |
| 1.3.2 研究内容 | 第14页 |
| 1.4 研究方法和技术路线 | 第14页 |
| 1.5 论文架构安排 | 第14-15页 |
| 2. 稀疏理论与字典学习 | 第15-27页 |
| 2.1 引言 | 第15页 |
| 2.2 稀疏表示问题 | 第15-17页 |
| 2.2.1 信号的稀疏表示原理 | 第15-17页 |
| 2.2.2 信号的稀疏度测量 | 第17页 |
| 2.3 稀疏表示问题的优化算法 | 第17-20页 |
| 2.3.1 L1范数凸优化算法 | 第17-18页 |
| 2.3.2 贪婪算法 | 第18-19页 |
| 2.3.3 算法比较 | 第19-20页 |
| 2.4 MNF变换 | 第20-21页 |
| 2.5 学习字典训练问题 | 第21-27页 |
| 2.5.1 学习字典 | 第21-22页 |
| 2.5.2 K-SVD算法 | 第22-24页 |
| 2.5.3 改进的字典更新方法及系数重用法 | 第24-27页 |
| 3. 基于稀疏理论的字典学习超分辨率重构算法研究 | 第27-32页 |
| 3.1 引言 | 第27-28页 |
| 3.2 图像处理反问题 | 第28页 |
| 3.3 基于稀疏理论的双字典学习的单幅图像超分辨率重构 | 第28页 |
| 3.4 基于稀疏理论的图像超分辨率重构模型 | 第28-30页 |
| 3.5 训练样本集的构造问题 | 第30-31页 |
| 3.6 高分辨率图像重构 | 第31-32页 |
| 4. 基于稀疏理论的时空图像模拟算法 | 第32-48页 |
| 4.1 改进的时空图像模拟算法 | 第32-36页 |
| 4.1.1 利用高通滤波融合高空低时图像与过渡图像 | 第32-33页 |
| 4.1.2 对高时低空数据运用超分辨率算法 | 第33-34页 |
| 4.1.3 双层时空融合框架 | 第34-36页 |
| 4.2 改进的双边滤波 | 第36-40页 |
| 4.2.1 改进双边滤波基本原理 | 第37-38页 |
| 4.2.2 梯度双边滤波参数配置 | 第38-40页 |
| 4.3 评价指标与实验结果 | 第40-48页 |
| 4.3.1 图像模拟结果的质量评价指标 | 第40页 |
| 4.3.2 实验设计与验证分析 | 第40-48页 |
| 5. 总结与展望 | 第48-50页 |
| 5.1 结论 | 第48页 |
| 5.2 展望 | 第48-50页 |
| 参考文献 | 第50-55页 |
| 作者简历 | 第55-57页 |
| 学位论文数据集 | 第57页 |