| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 图像超分辨发展和研究进展 | 第15-18页 |
| 1.2.1 基于插值的超分辨重建技术 | 第15-16页 |
| 1.2.2 基于重构的图像超分辨重建技术 | 第16-17页 |
| 1.2.3 基于学习的超分辨重建技术 | 第17-18页 |
| 1.3 超分辨重建图像质量评价 | 第18-19页 |
| 1.4 本文的主要工作 | 第19-22页 |
| 第二章 相关背景知识介绍 | 第22-30页 |
| 2.1 图像超分辨重建模型 | 第22-23页 |
| 2.2 浅层学习 | 第23-25页 |
| 2.2.1 感知机 | 第23-24页 |
| 2.2.2 传统人工神经网络 | 第24-25页 |
| 2.3 深度学习 | 第25-28页 |
| 2.3.1 卷积神经网络的结构 | 第26-28页 |
| 2.3.2 卷积神经网络的训练 | 第28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 基于结构相似性和深度学习的图像超分辨重建算法 | 第30-52页 |
| 3.1 基于深度学习的图像超分辨算法 | 第30-33页 |
| 3.1.1 图像数据输入 | 第32页 |
| 3.1.2 特征映射 | 第32页 |
| 3.1.3 重建 | 第32-33页 |
| 3.2 图像相邻区域的结构相似性 | 第33页 |
| 3.3 基于结构相似性和深度学习的超分辨重建算法 | 第33-41页 |
| 3.3.1 数据预处理 | 第34-35页 |
| 3.3.2 网络训练过程 | 第35-41页 |
| 3.3.2.1 卷积层的前向训练 | 第35-37页 |
| 3.3.2.2 卷积层的反向传播计算 | 第37-41页 |
| 3.4 实验结果与分析 | 第41-51页 |
| 3.4.1 实验设置 | 第41-42页 |
| 3.4.2 实验结果 | 第42-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第四章 基于集成思想与深度学习的图像超分辨重建算法 | 第52-70页 |
| 4.1 神经网络集成 | 第52-53页 |
| 4.1.1 既成结论生成 | 第53页 |
| 4.1.2 个体生成方法 | 第53页 |
| 4.2 基于集成思想与深度学习的图像超分辨重建算法 | 第53-58页 |
| 4.2.1 网络集成 | 第54-56页 |
| 4.2.2 网络的训练 | 第56-57页 |
| 4.2.2.1 网络前向训练过程 | 第56-57页 |
| 4.2.2.2 卷积层的反向传播计算 | 第57页 |
| 4.2.3 网络测试过程 | 第57-58页 |
| 4.3 实验结果与分析 | 第58-69页 |
| 4.3.1 实验设置 | 第58-59页 |
| 4.3.2 实验结果 | 第59-68页 |
| 4.3.3 实验参数分析 | 第68-69页 |
| 4.4 本章小结 | 第69-70页 |
| 第五章 总结与未来展望 | 第70-72页 |
| 5.1 总结 | 第70页 |
| 5.2 未来展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-78页 |
| 作者简介 | 第78-79页 |
