| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 研究背景与意义 | 第15页 |
| 1.2 图像超分辨技术的研究进展 | 第15-17页 |
| 1.3 超分辨重建图像质量评价指标 | 第17-18页 |
| 1.4 本文的研究内容与结构安排 | 第18-19页 |
| 第二章 基于实例学习的超分辨率图像重构 | 第19-25页 |
| 2.1 超分辨率图像重构模型 | 第19页 |
| 2.2 经典的超分辨方法 | 第19-22页 |
| 2.2.1 频域法 | 第19-20页 |
| 2.2.2 空域法 | 第20-22页 |
| 2.3 Freeman算法 | 第22-23页 |
| 2.4 Yang算法 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于低秩邻域嵌入的超分辨方法 | 第25-41页 |
| 3.1 邻域嵌入超分辨方法 | 第25-26页 |
| 3.2 低秩矩阵分解理论 | 第26-28页 |
| 3.3 基于低秩邻域嵌入算法 | 第28-32页 |
| 3.3.1 特征表示和低秩矩阵分解 | 第28-29页 |
| 3.3.2 非负邻域嵌入 | 第29-30页 |
| 3.3.3 算法实现 | 第30-32页 |
| 3.4 实验结果及分析 | 第32-39页 |
| 3.4.1 实验设置 | 第33页 |
| 3.4.2 实验结果 | 第33-37页 |
| 3.4.3 不同特征和邻域大小对比试验 | 第37-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第四章 基于NormLV特征的稀疏邻域嵌入超分辨方法 | 第41-57页 |
| 4.1 基于几何结构相似性的Norm LV特征 | 第42-45页 |
| 4.2 基于低秩稀疏邻域嵌入算法 | 第45-49页 |
| 4.2.1 训练样本集分组 | 第45页 |
| 4.2.2 低秩矩阵分解 | 第45-46页 |
| 4.2.3 稀疏邻域嵌入 | 第46-48页 |
| 4.2.4 图像超分辨重建的后处理算法 | 第48页 |
| 4.2.5 算法实现 | 第48-49页 |
| 4.3 实验结果及分析 | 第49-56页 |
| 4.3.1 实验设置 | 第50页 |
| 4.3.2 不同特征实验结果对比 | 第50-52页 |
| 4.3.3 实验结果 | 第52-56页 |
| 4.4 本章总结 | 第56-57页 |
| 第五章 基于联合学习的稀疏邻域嵌入超分辨方法 | 第57-69页 |
| 5.1 基于联合学习的稀疏邻域嵌入超分辨算法 | 第57-62页 |
| 5.1.1 构造训练样本集对偶约束 | 第57-58页 |
| 5.1.2 联合学习投影矩阵 | 第58-61页 |
| 5.1.3 算法实现 | 第61-62页 |
| 5.2 实验结果与分析 | 第62-68页 |
| 5.2.1 实验设置 | 第62-64页 |
| 5.2.2 实验结果 | 第64-68页 |
| 5.3 本章总结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 本文总结 | 第69页 |
| 6.2 展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 作者简介 | 第77-78页 |
| 1. 基本情况 | 第77页 |
| 2. 教育背景 | 第77页 |
| 3. 攻读硕士学位期间的研究成果 | 第77-78页 |