| 致谢 | 第8-10页 |
| 摘要 | 第10-12页 |
| abstract | 第12-14页 |
| 第一章 绪论 | 第22-42页 |
| 1.1 研究背景与意义 | 第22-24页 |
| 1.2 图像超分辨率重建问题 | 第24-30页 |
| 1.2.1 图像超分辨率重建基本框架 | 第24-27页 |
| 1.2.2 传统方法主要研究内容 | 第27-30页 |
| 1.3 图像超分辨率重建研究现状 | 第30-35页 |
| 1.3.1 频域超分辨率重建 | 第30-31页 |
| 1.3.2 空域插值方法 | 第31页 |
| 1.3.3 基于重建方法 | 第31-32页 |
| 1.3.4 基于学习方法 | 第32-34页 |
| 1.3.5 幻觉脸技术 | 第34-35页 |
| 1.4 发展趋势及存在问题 | 第35-38页 |
| 1.4.1 发展趋势及研究方向 | 第35-36页 |
| 1.4.2 稀疏表示与超分辨率 | 第36-37页 |
| 1.4.3 当前研究存在的问题 | 第37-38页 |
| 1.5 论文主要研究内容与结构 | 第38-42页 |
| 1.5.1 课题来源和研究任务 | 第38-39页 |
| 1.5.2 主要研究内容和方案 | 第39-40页 |
| 1.5.3 论文结构安排 | 第40-42页 |
| 第二章 图像超分辨率稀疏表示理论基础 | 第42-64页 |
| 2.1 引言 | 第42-43页 |
| 2.2 从大脑视觉皮层到稀疏表示模型 | 第43-47页 |
| 2.2.1 大脑视觉皮层稀疏特征编码 | 第43-45页 |
| 2.2.2 稀疏表示与范数 | 第45-46页 |
| 2.2.3 稀疏逼近与图解 | 第46-47页 |
| 2.3 稀疏解保证及边界条件 | 第47-51页 |
| 2.3.1 从测不准到唯一性 | 第47-49页 |
| 2.3.2 由Spark来界定唯一性 | 第49-50页 |
| 2.3.3 由相干性来界定唯一性 | 第50-51页 |
| 2.3.4 Spark的上界 | 第51页 |
| 2.4 稀疏编码算法 | 第51-54页 |
| 2.4.1 贪婪追踪算法 | 第52-53页 |
| 2.4.2 松弛优化算法 | 第53-54页 |
| 2.5 字典学习 | 第54-59页 |
| 2.5.1 基础算法 | 第55-57页 |
| 2.5.2 在线字典学习 | 第57-59页 |
| 2.5.3 结构化字典 | 第59页 |
| 2.6 稀疏表示与图像复原及重建 | 第59-63页 |
| 2.6.1 图像复原问题描述 | 第60-61页 |
| 2.6.2 稀疏表示下求解模型 | 第61-63页 |
| 2.7 本章小结 | 第63-64页 |
| 第三章 稀疏域单幅图像超分辨率模型与算法 | 第64-84页 |
| 3.1 引言 | 第64-66页 |
| 3.2 稀疏域图像超分辨率方法 | 第66-68页 |
| 3.3 鲁棒性单幅图像超分辨率算法 | 第68-74页 |
| 3.3.1 鲁棒性超分辨率模型 | 第68-70页 |
| 3.3.2 离线字典学习思想及样本准备 | 第70-71页 |
| 3.3.3 改进型K-SVD离线D_l字典学习 | 第71-72页 |
| 3.3.4 D_h字典的最小范数解 | 第72-73页 |
| 3.3.5 超分辨率重建算法 | 第73-74页 |
| 3.4 实验与分析 | 第74-81页 |
| 3.4.1 主要参数实验与分析 | 第75-77页 |
| 3.4.2 超分辨率重建结果与分析 | 第77-79页 |
| 3.4.3 不同噪声强度下的重建结果 | 第79-81页 |
| 3.4.4 单幅偏振图像重建实验 | 第81页 |
| 3.5 本章小结 | 第81-84页 |
| 第四章 图像超分辨率重建的混合高斯稀疏编码方法 | 第84-102页 |
| 4.1 引言 | 第84-86页 |
| 4.2 混合高斯稀疏编码模型 | 第86-90页 |
| 4.2.1 最大似然估计与残差概率分布 | 第86-88页 |
| 4.2.2 混合高斯模型 | 第88-89页 |
| 4.2.3 权值矩阵W | 第89-90页 |
| 4.3 L1正则化最小二乘内点法 | 第90-91页 |
| 4.4 同构双字典学习与重建 | 第91-92页 |
| 4.4.1 同构双字典学习 | 第91-92页 |
| 4.4.2 超分辨率重建算法 | 第92页 |
| 4.5 实验与分析 | 第92-99页 |
| 4.5.1 参数设置及环境 | 第93-94页 |
| 4.5.2 重建结果与分析 | 第94-97页 |
| 4.5.3 噪声及模糊扰动实验 | 第97-98页 |
| 4.5.4 不同目标偏振图像实验结果 | 第98-99页 |
| 4.6 本章小结 | 第99-102页 |
| 第五章 结合局部与非局部联合稀疏表示的幻觉脸方法 | 第102-120页 |
| 5.1 引言 | 第102-105页 |
| 5.2 幻觉脸模型 | 第105-108页 |
| 5.2.1 幻觉脸模型 | 第105-106页 |
| 5.2.2 稀疏性NMF特征脸 | 第106-107页 |
| 5.2.3 聚类稀疏表示 | 第107-108页 |
| 5.3 空间聚类子字典学习 | 第108-111页 |
| 5.3.1 训练样本预处理 | 第108页 |
| 5.3.2 K-均值聚类 | 第108-109页 |
| 5.3.3 PCA紧字典学习 | 第109-111页 |
| 5.3.4 自适应字典选择 | 第111页 |
| 5.4 幻觉脸算法 | 第111-114页 |
| 5.4.1 非局部自相似模型 | 第111-112页 |
| 5.4.2 集中式稀疏编码 | 第112-113页 |
| 5.4.3 幻觉脸算法 | 第113-114页 |
| 5.5 实验与分析 | 第114-118页 |
| 5.5.1 ORL标准人脸库实验结果与分析 | 第114-116页 |
| 5.5.2 二代证人脸图像实验结果与分析 | 第116-117页 |
| 5.5.3 实际图像实验结果 | 第117-118页 |
| 5.6 本章小结 | 第118-120页 |
| 第六章 局部样本匹配和多级滤波的快速超分辨率与应用 | 第120-140页 |
| 6.1 引言 | 第120-123页 |
| 6.2 超分辨率模型与偏振成像特点 | 第123-125页 |
| 6.2.1 超分辨率重建模型 | 第123-124页 |
| 6.2.2 偏振成像特点 | 第124-125页 |
| 6.3 样本匹配与采样滤波 | 第125-130页 |
| 6.3.1 原地局部自相似样本匹配 | 第125-127页 |
| 6.3.2 多级采样滤波器组 | 第127-128页 |
| 6.3.3 奇异结构与一致性保持 | 第128-130页 |
| 6.4 快速超分辨率算法 | 第130-131页 |
| 6.4.1 图像块选择 | 第130页 |
| 6.4.2 快速超分辨率重建算法 | 第130-131页 |
| 6.5 实验与分析 | 第131-137页 |
| 6.5.1 参数设置及环境 | 第131-132页 |
| 6.5.2 重建结果与分析 | 第132-135页 |
| 6.5.3 多通道偏振图像超分辨率与结果分析 | 第135-137页 |
| 6.6 本章小结 | 第137-140页 |
| 第七章 总结与展望 | 第140-143页 |
| 7.1 主要工作及创新点 | 第140-141页 |
| 7.2 深入与展望 | 第141-143页 |
| 参考文献 | 第143-152页 |
| 攻读博士学位期间的学术活动及成果情况 | 第152-154页 |