中文摘要 | 第3-5页 |
英文摘要 | 第5-6页 |
1 绪论 | 第9-15页 |
1.1 课题背景及研究意义 | 第9-10页 |
1.2 课题的研究现状 | 第10-13页 |
1.2.1 基于插值的方法 | 第10页 |
1.2.2 基于重建的方法 | 第10-12页 |
1.2.3 基于学习的方法 | 第12-13页 |
1.3 本文的研究内容 | 第13-15页 |
2 图像的稀疏表示理论 | 第15-25页 |
2.1 稀疏表示模型 | 第15-16页 |
2.2 过完备字典的构建 | 第16-18页 |
2.2.1 MOD法 | 第16-17页 |
2.2.2 KSVD法 | 第17-18页 |
2.2.3 广义PCA法 | 第18页 |
2.3 稀疏编码算法 | 第18-21页 |
2.3.1 MP法 | 第19-20页 |
2.3.2 OMP法 | 第20页 |
2.3.3 BP法 | 第20-21页 |
2.4 图像质量的评价 | 第21-23页 |
2.4.1 主观评价 | 第21页 |
2.4.2 客观评价 | 第21-23页 |
2.5 本章小结 | 第23-25页 |
3 离焦模糊图像的点扩散函数估计 | 第25-49页 |
3.1 图像的离焦模糊及其点扩散函数模型 | 第25-27页 |
3.2 传统的点扩散函数估计方法 | 第27-31页 |
3.2.1 基于刃边法的点扩散函数估计 | 第27-29页 |
3.2.2 基于频谱零点的点扩散函数估计 | 第29-30页 |
3.2.3 传统方法在超分辨率重建中的问题 | 第30-31页 |
3.3 基于粒子群算法的点扩散函数估计 | 第31-42页 |
3.3.1 高、低分辨率图像的点扩散函数关系分析 | 第31-35页 |
3.3.2 粒子群算法原理 | 第35-38页 |
3.3.3 适应值的计算 | 第38页 |
3.3.4 模糊半径的求解 | 第38-39页 |
3.3.5 算法的仿真分析 | 第39-42页 |
3.4 基于交替迭代法的点扩散函数估计 | 第42-48页 |
3.4.1 算法原理 | 第42-43页 |
3.4.2 算法仿真分析 | 第43-48页 |
3.5 本章小结 | 第48-49页 |
4 基于自适应字典学习和BTV_NLM正则化的图像稀疏表示重建 | 第49-75页 |
4.1 引言 | 第49-50页 |
4.2 字典学习样本的构建 | 第50-53页 |
4.2.1 图像的结构相似性 | 第50-52页 |
4.2.2 样本金字塔的构建 | 第52-53页 |
4.2.3 样本的特征提取 | 第53页 |
4.3 自适应字典学习 | 第53-55页 |
4.3.1 K均值样本分类 | 第54-55页 |
4.3.2 基于PCA的字典学习 | 第55页 |
4.3.3 自适应字典的选择 | 第55页 |
4.4 基于BTV_NLM正则化的图像稀疏表示重建 | 第55-58页 |
4.4.1 非局部均值正则化项 | 第56-57页 |
4.4.2 双边总变分正则化项 | 第57页 |
4.4.3 图像的重建算法流程 | 第57-58页 |
4.5 实验仿真及分析 | 第58-73页 |
4.5.1 重建效果的影响因素分析 | 第58-67页 |
4.5.2 算法对比实验 | 第67-73页 |
4.6 本章小结 | 第73-75页 |
5 总结与展望 | 第75-77页 |
5.1 论文总结 | 第75-76页 |
5.2 研究展望 | 第76-77页 |
致谢 | 第77-79页 |
参考文献 | 第79-85页 |
附录 | 第85页 |
A.作者在攻读硕士期间发表的论文 | 第85页 |
B.作者在攻读硕士期间参加的科研项目 | 第85页 |