| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 单幅图像超分辨率研究现状 | 第9-13页 |
| 1.2.1 单幅图像超分辨率模型 | 第9-10页 |
| 1.2.2 国内外研究现状 | 第10-13页 |
| 1.3 本文主要工作与结构安排 | 第13-15页 |
| 第二章 稀疏编码理论与算法 | 第15-29页 |
| 2.1 压缩感知理论 | 第15-16页 |
| 2.2 稀疏表示数学模型与求解算法 | 第16-21页 |
| 2.2.1 信号的稀疏表示 | 第16-17页 |
| 2.2.2 稀疏表示求解算法 | 第17-21页 |
| 2.3 稀疏编码与字典学习算法 | 第21-28页 |
| 2.3.1 稀疏编码数学模型 | 第21页 |
| 2.3.2 解析字典构造方法 | 第21-22页 |
| 2.3.3 过完备字典学习算法 | 第22-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于学习的单幅图像超分辨率重建 | 第29-39页 |
| 3.1 基于稀疏编码的超分辨率重建 | 第29-34页 |
| 3.1.1 算法原理 | 第29-30页 |
| 3.1.2 联合字典训练阶段 | 第30-33页 |
| 3.1.3 超分辨率重建阶段 | 第33-34页 |
| 3.2 基于稀疏表示和支持向量回归的超分辨率重建 | 第34-36页 |
| 3.2.1 算法描述 | 第34-35页 |
| 3.2.2 支持向量回归学习 | 第35-36页 |
| 3.3 实验结果与分析 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于非局部相似性和分类半耦合字典的超分辨率重建 | 第39-58页 |
| 4.1 非局部相似性约束的分类半耦合字典训练 | 第39-49页 |
| 4.1.1 稀疏表示域非局部相似性 | 第39-41页 |
| 4.1.2 改进的特征符号搜索算法 | 第41-44页 |
| 4.1.3 半耦合字典学习模型 | 第44-46页 |
| 4.1.4 交替启发式学习框架 | 第46-48页 |
| 4.1.5 基于稀疏域映射误差的图像块分类 | 第48-49页 |
| 4.2 所提算法的超分辨率重建流程 | 第49-50页 |
| 4.3 实验结果与分析 | 第50-56页 |
| 4.3.1 纵向对比实验结果与分析 | 第51-54页 |
| 4.3.2 横向对比实验结果与分析 | 第54-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第五章 基于统计预测模型和分类非耦合字典的超分辨率重建 | 第58-71页 |
| 5.1 基于稀疏表示和统计预测的超分辨率重建模型 | 第58-62页 |
| 5.1.1 非耦合字典的优势 | 第58-59页 |
| 5.1.2 受限玻尔兹曼机原理 | 第59-61页 |
| 5.1.3 基于统计预测模型的稀疏表示推断 | 第61-62页 |
| 5.2 字典学习和模型参数训练 | 第62-67页 |
| 5.2.1 基本模型参数训练 | 第62-66页 |
| 5.2.2 基于亚像素采样模式和方向信息的分类训练 | 第66-67页 |
| 5.3 实验结果与分析 | 第67-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 参考文献 | 第73-79页 |
| 发表论文和参加科研情况说明 | 第79-80页 |
| 致谢 | 第80-81页 |
