基于学习的单幅图像超分辨率方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 基于插值的方法 | 第9-10页 |
| 1.2.2 基于重构的方法 | 第10-11页 |
| 1.2.3 基于学习的方法 | 第11-13页 |
| 1.3 本文研究内容与组织结构 | 第13-15页 |
| 第2章 超分辨率技术基础理论 | 第15-27页 |
| 2.1 图像退化模型 | 第15-16页 |
| 2.2 字典学习方法 | 第16-19页 |
| 2.2.1 MOD字典学习方法 | 第17页 |
| 2.2.2 K-SVD字典学习方法 | 第17-18页 |
| 2.2.3 在线字典学习方法 | 第18-19页 |
| 2.3 深度学习相关概念 | 第19-24页 |
| 2.3.1 深度学习理论 | 第19-20页 |
| 2.3.2 多层感知机 | 第20-21页 |
| 2.3.3 卷积神经网络 | 第21-24页 |
| 2.4 超分辨图像质量评价标准 | 第24-25页 |
| 2.4.1 峰值信噪比（PSNR） | 第25页 |
| 2.4.2 结构相似度（SSIM） | 第25页 |
| 2.5 本章小结 | 第25-27页 |
| 第3章 基于共享空间稀疏表示的图像超分辨率方法 | 第27-44页 |
| 3.1 基于稀疏表示的图像超分辨率重建理论 | 第27-30页 |
| 3.1.1 信号的稀疏编码 | 第27-29页 |
| 3.1.2 图像超分辨率重建的稀疏表示模型 | 第29页 |
| 3.1.3 典型相关分析 | 第29-30页 |
| 3.2 算法框架结构 | 第30-35页 |
| 3.2.1 训练集的构建与预处理 | 第31-32页 |
| 3.2.2 字典训练算法 | 第32-34页 |
| 3.2.3 图像重建算法 | 第34-35页 |
| 3.3 实验 | 第35-43页 |
| 3.3.1 实验设置 | 第35-40页 |
| 3.3.2 不同算法的结果比较 | 第40-41页 |
| 3.3.3 图像后处理 | 第41-42页 |
| 3.3.4 运行时间比较 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 基于卷积神经网络的单幅图像超分辨率方法 | 第44-57页 |
| 4.1 卷积神经网络的超分辨率方法 | 第44-46页 |
| 4.2 算法框架分析 | 第46-49页 |
| 4.2.1 卷积网络框架 | 第46-48页 |
| 4.2.2 网络训练 | 第48-49页 |
| 4.3 实验 | 第49-55页 |
| 4.3.1 实验设置 | 第49-51页 |
| 4.3.2 与其他算法的实验对比 | 第51-54页 |
| 4.3.3 算法运行时间对比 | 第54-55页 |
| 4.4 本章小结 | 第55-57页 |
| 第5章 总结与展望 | 第57-59页 |
| 5.1 本文总结 | 第57-58页 |
| 5.2 工作展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 个人简历、在学期间发表的学术论文 | 第64页 |
