| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第12-24页 |
| 1.1 深度图像数据的获取 | 第12-13页 |
| 1.2 深度图像超分辨 | 第13-14页 |
| 1.3 深度图超分辨的挑战 | 第14-16页 |
| 1.4 深度图像超分辨的发展现状 | 第16-20页 |
| 1.4.1 基于多深度数据融合的方法 | 第16-17页 |
| 1.4.2 基于图像引导的方法 | 第17-18页 |
| 1.4.3 基于实例数据的方法 | 第18-19页 |
| 1.4.4 基于学习的方法 | 第19-20页 |
| 1.5 本文主要内容和主要贡献 | 第20-22页 |
| 1.6 本文结构安排 | 第22-24页 |
| 第2章 基础知识 | 第24-35页 |
| 2.1 引言 | 第24页 |
| 2.2 深度图像退化模型 | 第24页 |
| 2.3 统一的深度图超分辨模型 | 第24-26页 |
| 2.4 深度图与光学图像的配准 | 第26-27页 |
| 2.5 凸优化 | 第27-29页 |
| 2.5.1 凸集与凸函数 | 第27页 |
| 2.5.2 凸共轭 | 第27-28页 |
| 2.5.3 原始对偶优化算法 | 第28-29页 |
| 2.6 模糊逻辑 | 第29-32页 |
| 2.7 深度图超分辨评价方法 | 第32-34页 |
| 2.7.1 超分辨测试数据集 | 第32-33页 |
| 2.7.2 客观评价指标 | 第33-34页 |
| 2.8 本章小结 | 第34-35页 |
| 第3章 基于概率轮廓引导的深度图孔洞修复 | 第35-44页 |
| 3.1 引言 | 第35-36页 |
| 3.2 基于FMM的图像修复算法 | 第36-37页 |
| 3.3 轮廓引导的孔洞修复算法 | 第37-38页 |
| 3.3.1 概率轮廓引导的FMM算法 | 第37-38页 |
| 3.3.2 进一步改善孔洞修复估计值 | 第38页 |
| 3.4 实验与分析 | 第38-42页 |
| 3.4.1 合成数据集上的实验评估 | 第38-39页 |
| 3.4.2 Kinect数据集上的实验评估 | 第39页 |
| 3.4.3 评估调节参数对孔洞修复的影响 | 第39-41页 |
| 3.4.4 评估孔洞修复对超分辨的影响 | 第41-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第4章 融合多层分割和高阶平滑性先验的深度图超分辨 | 第44-59页 |
| 4.1 引言 | 第44页 |
| 4.2 超分辨总体框图 | 第44-45页 |
| 4.3 NLTGV的超分辨模型与求解 | 第45-48页 |
| 4.3.1 超分辨模型 | 第45-46页 |
| 4.3.2 模型的优化求解 | 第46-48页 |
| 4.4 支撑权重的配置 | 第48-50页 |
| 4.5 实验与分析 | 第50-56页 |
| 4.5.1 合成数据集上的实验评估 | 第50-51页 |
| 4.5.2 组合权重各分项实验评估 | 第51-54页 |
| 4.5.3 Kinect数据集上的实验评估 | 第54-56页 |
| 4.5.4 TOF数据集上的实验评估 | 第56页 |
| 4.6 本章小结 | 第56-59页 |
| 第5章 基于模糊逻辑的非局部广义全变分深度图超分辨 | 第59-84页 |
| 5.1 引言 | 第59-60页 |
| 5.2 超分辨总体框图 | 第60-61页 |
| 5.3 深度图超分辨模型与求解 | 第61-66页 |
| 5.3.1 超分辨模型 | 第61-64页 |
| 5.3.2 优化求解 | 第64-66页 |
| 5.4 基于模糊逻辑的自适应参数 | 第66-72页 |
| 5.4.1 像素点邻近深度边缘度量 | 第67-69页 |
| 5.4.2 引导图纹理能量度量 | 第69-70页 |
| 5.4.3 模糊推理与自适应参数 | 第70-72页 |
| 5.5 实验与分析 | 第72-82页 |
| 5.5.1 确定模糊逻辑系统的调节参数 | 第72-76页 |
| 5.5.2 合成数据集上的实验评估 | 第76-80页 |
| 5.5.3 Kinect数据集上的实验评估 | 第80页 |
| 5.5.4 TOF数据集上的实验评估 | 第80-82页 |
| 5.6 本章小结 | 第82-84页 |
| 第6章 基于分类权重的非局部广义全变分深度图超分辨 | 第84-108页 |
| 6.1 引言 | 第84-85页 |
| 6.2 超分辨总体框图 | 第85-86页 |
| 6.3 深度图超分辨模型与求解 | 第86-89页 |
| 6.3.1 超分辨模型 | 第86-88页 |
| 6.3.2 模型的优化求解 | 第88-89页 |
| 6.4 局部结构分类器设计 | 第89-93页 |
| 6.4.1 确定样本标签 | 第89-90页 |
| 6.4.2 局部结构特征选择 | 第90-93页 |
| 6.4.3 分类器设计 | 第93页 |
| 6.5 实验与分析 | 第93-106页 |
| 6.5.1 分类器评估 | 第94-97页 |
| 6.5.2 分类权重的确定 | 第97-100页 |
| 6.5.3 合成数据集上的实验评估 | 第100-101页 |
| 6.5.4 Kinect数据集上的实验评估 | 第101-104页 |
| 6.5.5 TOF数据集上的实验评估 | 第104-106页 |
| 6.6 本章小结 | 第106-108页 |
| 第7章 总结与展望 | 第108-110页 |
| 7.1 总结 | 第108-109页 |
| 7.2 展望 | 第109-110页 |
| 参考文献 | 第110-123页 |
| 致谢 | 第123-124页 |
| 在读期间发表的学术论文与取得的研究成果 | 第124页 |
