| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 符号对照表 | 第14-15页 |
| 缩略语对照表 | 第15-20页 |
| 第一章 绪论 | 第20-30页 |
| 1.1 研究背景及意义 | 第20-21页 |
| 1.2 图像超分辨率重建方法的研究现状 | 第21-26页 |
| 1.2.1 图像超分辨率重建方法的数学模型 | 第21-22页 |
| 1.2.2 图像超分辨重建方法概述 | 第22-26页 |
| 1.3 图像超分辨重建方法的质量评价指标 | 第26-27页 |
| 1.4 本文的主要工作 | 第27-30页 |
| 第二章 基于l_l_1范数系数转换约束的双字典学习 | 第30-56页 |
| 2.1 引言 | 第30-31页 |
| 2.2 相关知识介绍 | 第31-39页 |
| 2.2.1 过完备字典下的稀疏表示及其抑制噪声的原理 | 第31-36页 |
| 2.2.2 双字典学习超分辨率重建算法 | 第36-38页 |
| 2.2.3 图像块的非局部自相似性 | 第38-39页 |
| 2.3 l_1范数系数转换约束的双字典学习 | 第39-45页 |
| 2.3.1 噪声敏感的原因 | 第39-40页 |
| 2.3.2 l_1范数约束与系数转换学习 | 第40-41页 |
| 2.3.3 HR图像块稀疏系数的非局部约束 | 第41-42页 |
| 2.3.4 提出的方法框架和算法流程 | 第42-45页 |
| 2.4 实验结果与分析 | 第45-55页 |
| 2.4.1 实验配置 | 第45-46页 |
| 2.4.2 实验结果 | 第46-52页 |
| 2.4.3 稀疏表示可视化 | 第52页 |
| 2.4.4 算法时间复杂度和SR重建时间 | 第52-54页 |
| 2.4.5 算法参数的研究 | 第54-55页 |
| 2.5 本章小结 | 第55-56页 |
| 第三章 基于联合先验学习的有噪视觉传感器图像超分辨率重建 | 第56-74页 |
| 3.1 引言 | 第56-58页 |
| 3.2 相关知识介绍 | 第58-60页 |
| 3.2.1 EM算法相关理论 | 第58-59页 |
| 3.2.2 两种先验学习 | 第59-60页 |
| 3.3 基于EM算法的联合先验学习 | 第60-65页 |
| 3.3.1 EM框架 | 第60-62页 |
| 3.3.2 通过MAP估计HR图像 | 第62-65页 |
| 3.4 实验结果与分析 | 第65-72页 |
| 3.4.1 实验配置 | 第66-67页 |
| 3.4.2 实验结果 | 第67-72页 |
| 3.5 本章小结 | 第72-74页 |
| 第四章 基于低秩矩阵分解的内外学习方法融合 | 第74-96页 |
| 4.1 引言 | 第74-75页 |
| 4.2 相关知识介绍 | 第75-78页 |
| 4.2.1 低秩矩阵分解 | 第75-77页 |
| 4.2.2 外部学习方法 | 第77页 |
| 4.2.3 内部学习方法 | 第77-78页 |
| 4.3 基于低秩矩阵分解的内外学习融合 | 第78-86页 |
| 4.3.1 内部和外部学习方法的特性分析 | 第78-81页 |
| 4.3.2 基于低秩矩阵分解的融合方法 | 第81-86页 |
| 4.4 实验结果与分析 | 第86-93页 |
| 4.4.1 实验配置 | 第87页 |
| 4.4.2 实验结果 | 第87-93页 |
| 4.4.3 融合性能与低秩输入图像数量的关系 | 第93页 |
| 4.5 本章小结 | 第93-96页 |
| 第五章 基于外部学习辅助的自样例学习 | 第96-114页 |
| 5.1 引言 | 第96-98页 |
| 5.2 相关知识介绍 | 第98-101页 |
| 5.2.1 自样例学习方法 | 第99页 |
| 5.2.2 特征学习及自编码器 | 第99-101页 |
| 5.3 外部学习辅助的自样例学习 | 第101-104页 |
| 5.3.1 基于混合神经网络的外部学习 | 第101-103页 |
| 5.3.2 外部学习辅助自样例学习 | 第103-104页 |
| 5.4 实验结果与分析 | 第104-113页 |
| 5.4.1 实验配置 | 第104-105页 |
| 5.4.2 实验结果 | 第105-109页 |
| 5.4.3 特征学习的有效性 | 第109-110页 |
| 5.4.4 高斯过程回归的优势 | 第110-111页 |
| 5.4.5 算法复杂度分析 | 第111-112页 |
| 5.4.6 算法参数的研究 | 第112-113页 |
| 5.5 本章小结 | 第113-114页 |
| 第六章 基于深度卷积自编码网络的无监督图像分解 | 第114-132页 |
| 6.1 引言 | 第114-115页 |
| 6.2 相关知识介绍 | 第115-118页 |
| 6.2.1 图像复原方法 | 第115-118页 |
| 6.2.2 卷积自编码网络 | 第118页 |
| 6.3 基于深度图像分解网络的图像复原 | 第118-121页 |
| 6.3.1 特征分解的卷积自编码重构 | 第119-120页 |
| 6.3.2 判别分类 | 第120-121页 |
| 6.3.3 网络训练 | 第121页 |
| 6.4 实验结果与分析 | 第121-130页 |
| 6.4.1 实验配置 | 第121-122页 |
| 6.4.2 实验结果 | 第122-127页 |
| 6.4.3 作为一种后处理技术 | 第127-129页 |
| 6.4.4 判别分类器正则的有效性 | 第129-130页 |
| 6.5 本章小结 | 第130-132页 |
| 第七章 总结与展望 | 第132-136页 |
| 7.1 主要工作及创新点 | 第132-133页 |
| 7.2 深入与展望 | 第133-136页 |
| 参考文献 | 第136-152页 |
| 致谢 | 第152-154页 |
| 作者简介 | 第154-156页 |
