| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 图像超分辨率重建的研究背景与研究意义 | 第9-10页 |
| 1.2 图像超分辨率重建的国内外研究现状 | 第10-13页 |
| 1.3 本文的主要工作以及章节安排 | 第13-15页 |
| 第二章 超分辨率重建方法介绍 | 第15-29页 |
| 2.1 超分辨率重建基础理论 | 第15-16页 |
| 2.1.1 图像成像理论 | 第15-16页 |
| 2.1.2 图像降质模型 | 第16页 |
| 2.2 基于边界优先的超分辨率重建方法 | 第16-24页 |
| 2.2.1 基于自然图像梯度轮廓先验的图像超分辨率重建 | 第18-21页 |
| 2.2.2 基于梯度自插值的图像超分辨率重建 | 第21-24页 |
| 2.3 基于学习的超分辨率重建算法 | 第24-28页 |
| 2.3.1 基于邻域嵌入的超分辨率重建算法 | 第24-27页 |
| 2.3.2 基于邻域回归的超分辨率重建算法 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于线性样本回归的超分辨率重建算法 | 第29-45页 |
| 3.1 引言 | 第29-30页 |
| 3.2 基于脊回归的梯度估计方法 | 第30-35页 |
| 3.2.1 算法原理 | 第30-32页 |
| 3.2.2 算法实现 | 第32-35页 |
| 3.3 基于线性映射函数的梯度估计方法 | 第35-37页 |
| 3.3.1 算法原理 | 第35-36页 |
| 3.3.2 算法实现 | 第36-37页 |
| 3.4 实验与分析 | 第37-44页 |
| 3.4.1 参数设置 | 第38-39页 |
| 3.4.2 结果对比 | 第39-43页 |
| 3.4.3 复杂度分析与对比 | 第43-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 基于极限学习机回归的双域联合约束超分辨率重建 | 第45-71页 |
| 4.1 引言 | 第45-46页 |
| 4.2 极限学习机的简介 | 第46-47页 |
| 4.3 算法原理 | 第47-54页 |
| 4.3.1 基于极限学习机回归的双域联合约束超分辨率重建模型 | 第49-51页 |
| 4.3.2 基于ELM的高频成分的初步估计 | 第51-52页 |
| 4.3.3 基于ELM的高频成分的精细估计 | 第52-53页 |
| 4.3.4 基于ELM的多方向梯度的估计 | 第53-54页 |
| 4.4 实验与分析 | 第54-70页 |
| 4.4.1 实验环境和参数设置 | 第55-56页 |
| 4.4.2 实验结果的比较和分析 | 第56-69页 |
| 4.4.3 算法复杂度分析 | 第69-70页 |
| 4.5 本章小结 | 第70-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 5.1 总结 | 第71-72页 |
| 5.2 不足与展望 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第76-77页 |
| 致谢 | 第77页 |
