基于非冗余互补信息的图像超分辨率算法研究
| 摘要 | 第7-8页 |
| abstract | 第8-9页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 论文的研究背景及意义 | 第12页 |
| 1.2 图像超分辨率的研究现状 | 第12-16页 |
| 1.2.1 基于插值的图像超分辨率方法 | 第13页 |
| 1.2.2 基于重建的图像超分辨率方法 | 第13页 |
| 1.2.3 基于学习的图像超分辨率方法 | 第13-16页 |
| 1.3 本文的主要研究内容及章节安排 | 第16-18页 |
| 第2章 稀疏表示、字典学习与卷积神经网络理论 | 第18-25页 |
| 2.1 基于稀疏表示的图像超分辨率重建基础 | 第18-19页 |
| 2.1.1 图像退化模型 | 第18页 |
| 2.1.2 稀疏表示理论 | 第18-19页 |
| 2.2 基于浅层学习的字典构建方法 | 第19-21页 |
| 2.2.1 PCA分类字典学习方法 | 第20页 |
| 2.2.2 K-SVD字典学习方法 | 第20-21页 |
| 2.3 卷积神经网络理论 | 第21-24页 |
| 2.3.1 卷积神经网络 | 第22-23页 |
| 2.3.2 利用卷积神经网络的图像超分辨率 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于混合样本和稀疏表示的图像超分辨率算法 | 第25-37页 |
| 3.1 总体框架 | 第25页 |
| 3.2 样本集的选取 | 第25-28页 |
| 3.2.1 图像金字塔的建立 | 第26-27页 |
| 3.2.2 混合样本选择方案 | 第27-28页 |
| 3.3 K-SVD分类字典学习方法 | 第28-29页 |
| 3.3.1 训练样本降维 | 第28页 |
| 3.3.2 字典训练 | 第28-29页 |
| 3.4 基于稀疏表示的超分辨率重建 | 第29-30页 |
| 3.5 本章算法总结 | 第30-31页 |
| 3.6 实验结果及分析 | 第31-36页 |
| 3.6.1 实验参数设置 | 第31页 |
| 3.6.2 实验参数讨论 | 第31-32页 |
| 3.6.3 结果对比及分析 | 第32-36页 |
| 3.7 本章小结 | 第36-37页 |
| 第4章 基于混合样本和深度学习的图像超分辨率算法 | 第37-50页 |
| 4.1 残差学习、批归一化以及线性修正单元 | 第37-39页 |
| 4.1.1 残差学习 | 第37页 |
| 4.1.2 批归一化 | 第37-38页 |
| 4.1.3 线性修正单元 | 第38页 |
| 4.1.4 卷积 | 第38-39页 |
| 4.2 联合混合样本的图像超分辨率CNN模型 | 第39-42页 |
| 4.2.1 混合样本选择 | 第39-40页 |
| 4.2.2 基于混合样本的训练样本组织 | 第40页 |
| 4.2.3 网络架构 | 第40-42页 |
| 4.3 实验结果及分析 | 第42-49页 |
| 4.3.1 实验参数设置 | 第42-43页 |
| 4.3.2 实验参数讨论 | 第43-44页 |
| 4.3.3 实验结果分析 | 第44-49页 |
| 4.4 本章小结 | 第49-50页 |
| 总结与展望 | 第50-52页 |
| 总结 | 第50-51页 |
| 展望 | 第51-52页 |
| 参考文献 | 第52-57页 |
| 致谢 | 第57-58页 |
| 附录A 攻读学位期间取得的主要科研成果 | 第58页 |
