| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 研究背景与意义 | 第16-17页 |
| 1.2 研究发展和现状 | 第17-20页 |
| 1.2.1 基于插值的超分辨率重建技术 | 第17-18页 |
| 1.2.2 基于重构的超分辨率重建技术 | 第18-19页 |
| 1.2.3 基于学习的超分辨率重建技术 | 第19-20页 |
| 1.3 研究动机和目的 | 第20-21页 |
| 1.4 本文的研究内容及结构安排 | 第21-24页 |
| 第二章 基于深度度量学习的图像超分辨重建 | 第24-46页 |
| 2.1 基于邻域嵌入的图像超分辨重建算法 | 第24-26页 |
| 2.2 距离度量学习 | 第26-30页 |
| 2.2.1 马氏距离度量学习 | 第26-27页 |
| 2.2.2 深度度量学习 | 第27-30页 |
| 2.3 稀疏多流形嵌入 | 第30-32页 |
| 2.4 基于深度度量学习的图像超分辨率重建算法 | 第32-33页 |
| 2.5 实验结果与分析 | 第33-43页 |
| 2.5.1 实验条件与数据说明 | 第33-35页 |
| 2.5.2 特征提取对于邻域选取的影响 | 第35-36页 |
| 2.5.3 自然图像实验结果与分析 | 第36-39页 |
| 2.5.4 遥感图像实验结果与分析 | 第39-42页 |
| 2.5.5 字符图像实验结果与分析 | 第42-43页 |
| 2.6 本章小结 | 第43-46页 |
| 第三章 基于稀疏自编码网络与极速学习的图像超分辨重建 | 第46-64页 |
| 3.1 极速学习机 | 第46-48页 |
| 3.2 基于ELM的稀疏自编码器 | 第48-50页 |
| 3.3 多层ELM学习模型 | 第50-51页 |
| 3.4 基于稀疏自编码网络与极速学习的图像超分辨重建算法 | 第51-53页 |
| 3.5 实验结果与分析 | 第53-61页 |
| 3.5.1 聚类个数对重建结果的影响 | 第53页 |
| 3.5.2 自然图像实验结果与分析 | 第53-56页 |
| 3.5.3 遥感图像实验结果与分析 | 第56-60页 |
| 3.5.4 字符图像实验结果与分析 | 第60-61页 |
| 3.6 本章小结 | 第61-64页 |
| 第四章 基于深度残差网络的图像超分辨率重建 | 第64-80页 |
| 4.1 深层卷积神经网络 | 第64-65页 |
| 4.2 深度残差网络 | 第65-66页 |
| 4.2.1 残差学习 | 第65页 |
| 4.2.2 恒等映射 | 第65-66页 |
| 4.3 基于深度残差网络的图像超分辨率重建 | 第66-70页 |
| 4.3.1 网络模型介绍 | 第67-69页 |
| 4.3.2 损失函数 | 第69-70页 |
| 4.4 实验结果与分析 | 第70-79页 |
| 4.4.1 实验条件和参数设置 | 第70页 |
| 4.4.2 自然图像实验结果与分析 | 第70-74页 |
| 4.4.3 遥感图像实验结果与分析 | 第74-77页 |
| 4.4.4 字符图像实验结果与分析 | 第77-79页 |
| 4.5 本章小结 | 第79-80页 |
| 第五章 总结与展望 | 第80-82页 |
| 5.1 总结 | 第80-81页 |
| 5.2 展望 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 致谢 | 第86-88页 |
| 作者简介 | 第88-89页 |