| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-23页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 图像超分辨率重建的国内外研究现状 | 第11-21页 |
| 1.2.1 基于插值的图像超分辨率重建 | 第11-13页 |
| 1.2.2 基于重构的图像超分辨率重建 | 第13-18页 |
| 1.2.3 基于学习的图像超分辨率重建 | 第18-21页 |
| 1.3 本文的主要研究内容 | 第21-22页 |
| 1.4 本文的章节安排 | 第22-23页 |
| 2 卷积神经网络的基本理论介绍 | 第23-32页 |
| 2.1 卷积神经网络 | 第23-30页 |
| 2.1.1 卷积核心思想 | 第24-27页 |
| 2.1.2 网络结构 | 第27-28页 |
| 2.1.3 反向传播算法 | 第28-30页 |
| 2.2 卷积神经网络软件平台 | 第30-31页 |
| 2.3 本章小结 | 第31-32页 |
| 3 基于卷积神经网络的单帧图像超分辨率重建 | 第32-48页 |
| 3.1 基于CNN的图像重建理论 | 第32-35页 |
| 3.1.1 图像的梯度与纹理 | 第32-33页 |
| 3.1.2 卷积神经网络对图像提取特征 | 第33-35页 |
| 3.2 网络结构设计 | 第35-36页 |
| 3.2.1 网络多通道输入 | 第35-36页 |
| 3.2.2 卷积层和ReLU层 | 第36页 |
| 3.2.3 输出层 | 第36页 |
| 3.3 网络训练方法 | 第36-38页 |
| 3.3.1 网络损失函数 | 第36-37页 |
| 3.3.2 Solver优化方法 | 第37-38页 |
| 3.4 训练库和测试库 | 第38-41页 |
| 3.4.1 图像降质 | 第39页 |
| 3.4.2 训练库 | 第39-40页 |
| 3.4.3 测试库 | 第40-41页 |
| 3.5 实验结果与分析 | 第41-47页 |
| 3.5.1 实验环境 | 第41-42页 |
| 3.5.2 评价标准 | 第42-44页 |
| 3.5.3 实验结果分析 | 第44-47页 |
| 3.6 本章小结 | 第47-48页 |
| 4 基于多特征图融合的卷积网络结构的图像超分辨率重建 | 第48-58页 |
| 4.1 网络结构设计 | 第48-50页 |
| 4.1.1 多张高清图像输出 | 第48-49页 |
| 4.1.2 多特征融合的重建层 | 第49-50页 |
| 4.2 实验环境和参数设置 | 第50-51页 |
| 4.2.1 实验环境与实验数据 | 第50页 |
| 4.2.2 模型参数设置 | 第50-51页 |
| 4.3 实验结果 | 第51-55页 |
| 4.4 不同数据集训练的网络模型的泛化能力研究 | 第55-57页 |
| 4.4.1 网络训练环境和训练数据 | 第55页 |
| 4.4.2 对比与分析 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 5 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 研究生期间的科研活动和科研成果 | 第65-66页 |
| 致谢 | 第66页 |