| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第12-18页 |
| 1.1 论文背景 | 第12-13页 |
| 1.2 国内外研究现状及发展趋势 | 第13-16页 |
| 1.3 论文结构安排 | 第16-18页 |
| 2 图像超分辨率理论与方法 | 第18-30页 |
| 2.1 图像降质模型 | 第18页 |
| 2.2 经典插值算法 | 第18-21页 |
| 2.2.1 最近邻插值 | 第18-19页 |
| 2.2.2 双线性插值 | 第19-20页 |
| 2.2.3 双三次插值 | 第20-21页 |
| 2.3 基于建模的超分辨算法 | 第21-25页 |
| 2.3.1 迭代反投影法 | 第21-23页 |
| 2.3.2 凸集投影法 | 第23-24页 |
| 2.3.3 最大后验概率法 | 第24-25页 |
| 2.4 基于学习的超分辨率算法 | 第25-27页 |
| 2.4.1 邻域嵌入算法 | 第25-26页 |
| 2.4.2 基于神经网络的重建算法 | 第26-27页 |
| 2.5 图像质量评价 | 第27-29页 |
| 2.6 本章小结 | 第29-30页 |
| 3 边缘指导插值算法计算优化 | 第30-47页 |
| 3.1 边缘指导插值算法 | 第30-33页 |
| 3.2 矩阵求逆运算优化 | 第33-37页 |
| 3.2.1 Cholesky分解算法 | 第33-36页 |
| 3.2.2 基于Cholesky分解的矩阵求逆算法 | 第36-37页 |
| 3.3 快速除法器设计 | 第37-46页 |
| 3.3.1 基于牛顿迭代法的除法运算 | 第37-39页 |
| 3.3.2 基于Goldschmidt的除法运算 | 第39-41页 |
| 3.3.3 基于优化Goldschmidt算法的定点数除法设计 | 第41-46页 |
| 3.4 本章小结 | 第46-47页 |
| 4 边缘指导插值算法硬件设计方案 | 第47-67页 |
| 4.1 输入矩阵计算模块 | 第48-51页 |
| 4.1.1 输入端Line buffer设计 | 第48-49页 |
| 4.1.2 输入矩阵乘法模块 | 第49-51页 |
| 4.2 快速定点数除法器硬件实现 | 第51-57页 |
| 4.2.1 InputPreprocess模块 | 第51-54页 |
| 4.2.2 Enlarge模块硬件结构 | 第54-55页 |
| 4.2.3 Iteration模块硬件结构 | 第55-56页 |
| 4.2.4 OutputPostprocess模块电路结构 | 第56-57页 |
| 4.3 Cholesky分解求逆模块 | 第57-59页 |
| 4.4 实验结果分析 | 第59-66页 |
| 4.4.1 定点数除法器实验结果与分析 | 第60-62页 |
| 4.4.2 Cholesky分解求逆模块实验结果与分析 | 第62-64页 |
| 4.4.3 边缘指导插值算法实验结果与分析 | 第64-66页 |
| 4.5 本章小结 | 第66-67页 |
| 5 总结与展望 | 第67-69页 |
| 5.1 工作总结 | 第67-68页 |
| 5.2 未来工作展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 作者简历 | 第73页 |
