基于图像分解的图像超分辨率算法的研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 课题研究的背景与意义 | 第9-10页 |
| 1.2 课题的研究现状与展望 | 第10-12页 |
| 1.2.1 研究现状 | 第10-12页 |
| 1.2.2 展望 | 第12页 |
| 1.3 本文的主要工作和创新点 | 第12-13页 |
| 1.4 本文的结构 | 第13-15页 |
| 2 图像超分辨率技术概述 | 第15-23页 |
| 2.1 图像退化模型 | 第15-16页 |
| 2.2 图像超分辨率方法 | 第16-20页 |
| 2.2.1 基于插值的方法 | 第16-17页 |
| 2.2.2 基于重建的方法 | 第17-18页 |
| 2.2.3 基于学习的方法 | 第18-20页 |
| 2.3 图像质量评价指标 | 第20-21页 |
| 2.3.1 主观评价指标 | 第20-21页 |
| 2.3.2 客观评价指标 | 第21页 |
| 2.4 本章小结 | 第21-23页 |
| 3 图像的卡通和纹理分解的方法 | 第23-28页 |
| 3.1 卡通和纹理分解的基本理论 | 第23-24页 |
| 3.2 卡通和纹理分解的算法 | 第24-26页 |
| 3.3 实验结果及小结 | 第26-28页 |
| 4 基于PDE的图像插值的方法 | 第28-42页 |
| 4.1 图像插值方法 | 第28-31页 |
| 4.1.1 经典的插值方法 | 第28-30页 |
| 4.1.2 尽量保持图像边缘的插值方法 | 第30-31页 |
| 4.2 图像超分辨率处理中偏微分方程的应用 | 第31-35页 |
| 4.2.1 偏微分方程的概述 | 第31-32页 |
| 4.2.2 扩散模型 | 第32-35页 |
| 4.3 基于方向扩散的图像插值的方法 | 第35-40页 |
| 4.3.1 应用方向扩散模型及其改进是方法 | 第35-37页 |
| 4.3.2 实验结果及其分析 | 第37-40页 |
| 4.4 本章小结 | 第40-42页 |
| 5 基于图像分解和样本学习的超分辨率方法 | 第42-56页 |
| 5.1 基于样本学习的超分辨率算法的概述 | 第42-46页 |
| 5.1.1 马尔可夫随机网络的模型 | 第43-44页 |
| 5.1.2 基于样本学习的算法的具体步骤 | 第44-46页 |
| 5.2 所提出的基于图像分解的超分辨率方法的描述 | 第46-49页 |
| 5.3 实验结果 | 第49-54页 |
| 5.4 本章小结 | 第54-56页 |
| 6 总结与展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士学位期间取得的研究成果 | 第63-64页 |
| 致谢 | 第64-66页 |
| 浙江师范大学学位论文诚信承诺书 | 第66页 |
