| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 基于插值的方法 | 第11-12页 |
| 1.2.2 基于重建的方法 | 第12-13页 |
| 1.2.3 基于学习的方法 | 第13-16页 |
| 1.3 重建图像质量评价标准 | 第16-17页 |
| 1.4 论文的研究内容 | 第17-18页 |
| 1.5 本文章节安排 | 第18-20页 |
| 第2章 超分辨率重建算法与相关理论基础 | 第20-34页 |
| 2.1 超分辨率重建理论 | 第20-21页 |
| 2.1.1 图像的退化模型 | 第20页 |
| 2.1.2 图像的超分辨率重建 | 第20-21页 |
| 2.2 稀疏表示理论 | 第21-27页 |
| 2.2.1 信号的稀疏表示 | 第21-22页 |
| 2.2.2 稀疏编码 | 第22-25页 |
| 2.2.3 字典学习 | 第25-27页 |
| 2.3 神经网络理论 | 第27-33页 |
| 2.3.1 神经网络概述 | 第27-28页 |
| 2.3.2 典型的神经网络模型 | 第28-32页 |
| 2.3.3 常用的激活函数 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 基于稀疏表示与正则化技术的超分辨率重建算法 | 第34-60页 |
| 3.1 引言 | 第34-36页 |
| 3.1.1 基于稀疏表示的图像超分辨率重建模型 | 第34-35页 |
| 3.1.2 图像超分辨率重建问题的正则化约束 | 第35-36页 |
| 3.2 基于正则化技术的稀疏编码函数 | 第36-40页 |
| 3.2.1 自回归(AR)正则化 | 第36-38页 |
| 3.2.2 非局部相似(NLS)正则化 | 第38-39页 |
| 3.2.3 流形学习(ML)正则化 | 第39-40页 |
| 3.3 基于正则化技术与引导滤波的超分辨率算法 | 第40-43页 |
| 3.3.1 基于AR与NLS正则化的稀疏编码函数 | 第40页 |
| 3.3.2 基于加权引导滤波的全局误差补偿模型 | 第40-42页 |
| 3.3.3 算法流程和框架 | 第42-43页 |
| 3.4 基于正则化技术与低秩矩阵恢复的超分辨率算法 | 第43-47页 |
| 3.4.1 基于NLS与ML正则化的稀疏编码函数 | 第43-44页 |
| 3.4.2 基于低秩矩阵恢复的超分辨率算法 | 第44-45页 |
| 3.4.3 算法流程和框架 | 第45-47页 |
| 3.5 实验与分析 | 第47-59页 |
| 3.5.1 实验环境与数据准备 | 第47-48页 |
| 3.5.2 基于正则化技术与引导滤波的超分辨率实验 | 第48-54页 |
| 3.5.3 基于正则化技术与低秩矩阵恢复的超分辨率实验 | 第54-59页 |
| 3.6 本章小结 | 第59-60页 |
| 第4章 基于稀疏自动编码器(SAE)的超分辨率重建算法 | 第60-74页 |
| 4.1 引言 | 第60-61页 |
| 4.1.1 基于字典学习的超分辨率算法研究 | 第60页 |
| 4.1.2 联合字典训练模型 | 第60-61页 |
| 4.2 数据预处理 | 第61-63页 |
| 4.3 基于改进SAE的联合字典学习 | 第63-65页 |
| 4.4 算法流程 | 第65-66页 |
| 4.5 实验与分析 | 第66-71页 |
| 4.5.1 实验参数设置 | 第66页 |
| 4.5.2 实验结果与分析 | 第66-71页 |
| 4.6 本章小结 | 第71-74页 |
| 第5章 基于深度置信网络(DBN)的医学图像超分辨率算法 | 第74-86页 |
| 5.1 引言 | 第74页 |
| 5.2 基于DBN的联合字典学习 | 第74-78页 |
| 5.3 算法流程 | 第78-79页 |
| 5.4 实验与分析 | 第79-85页 |
| 5.4.1 实验参数设置 | 第79-80页 |
| 5.4.2 实验结果与分析 | 第80-85页 |
| 5.5 本章小结 | 第85-86页 |
| 第6章 总结与展望 | 第86-88页 |
| 6.1 总结 | 第86-87页 |
| 6.2 展望 | 第87-88页 |
| 参考文献 | 第88-98页 |
| 致谢 | 第98-100页 |
| 个人简历、在学期间发表的学术论文及研究成果 | 第100-101页 |
