| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.2.1 自然图像超分辨率重建研究现状 | 第13-14页 |
| 1.2.2 文本图像超分辨率重建研究现状 | 第14页 |
| 1.3 重建结果评估标准 | 第14-16页 |
| 1.3.1 主观质量评价标准 | 第15页 |
| 1.3.2 客观质量评价标准 | 第15-16页 |
| 1.4 本文主要研究内容及工作安排 | 第16-19页 |
| 第二章 基于稀疏表示的图像超分辨率重建 | 第19-33页 |
| 2.1 图像观测模型 | 第19页 |
| 2.2 图像超分辨率重建技术模型 | 第19-25页 |
| 2.2.1 频域模型 | 第19-20页 |
| 2.2.2 空域模型 | 第20-23页 |
| 2.2.3 基于学习的超分辨率重建模型 | 第23-25页 |
| 2.3 基于稀疏表示的图像超分辨率重建 | 第25-31页 |
| 2.3.1 信号稀疏表示理论 | 第25-26页 |
| 2.3.2 稀疏表示局部模型分析 | 第26-27页 |
| 2.3.3 过完备字典训练 | 第27-30页 |
| 2.3.4 基于稀疏表示的重建算法完整流程 | 第30-31页 |
| 2.4 文档图像质量评价指标 | 第31-32页 |
| 2.4.1 峰值信噪比 | 第31页 |
| 2.4.2 结构相似度 | 第31页 |
| 2.4.3 字符识别 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 基于改进耦合字典的优化训练方法 | 第33-49页 |
| 3.1 传统稀疏表示字典训练 | 第33-34页 |
| 3.2 稀疏表示模型分析 | 第34-35页 |
| 3.3 字典训练算法优化 | 第35-43页 |
| 3.3.1 优化的字典学习算法 | 第35-36页 |
| 3.3.2 HR字典学习 | 第36-38页 |
| 3.3.3 稀疏系数求解分析 | 第38-40页 |
| 3.3.4 基于特征符号的稀疏表示系数求解 | 第40-43页 |
| 3.4 实验结果及分析 | 第43-46页 |
| 3.5 重建质量评价及运行时间对比 | 第46-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第四章 基于文本特征与边缘优化的文本图像超分辨率重建 | 第49-63页 |
| 4.1 文本图像特征 | 第49-50页 |
| 4.2 全局重建约束改进 | 第50-52页 |
| 4.2.1 稀疏全局重建约束 | 第50页 |
| 4.2.2 双峰特性引入 | 第50-51页 |
| 4.2.3 改进算法实现 | 第51-52页 |
| 4.3 边缘优化算法 | 第52-57页 |
| 4.3.1 边缘算子 | 第52-55页 |
| 4.3.2 边缘增强实现 | 第55-57页 |
| 4.4 实验结果及分析 | 第57-62页 |
| 4.4.1 改进全局约束的算法实验结果及分析 | 第57-59页 |
| 4.4.2 重建质量评价 | 第59-61页 |
| 4.4.3 引入边缘增强的算法实验结果及分析 | 第61-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第五章 基于优化字典与文本特征的SR重建技术在古碑文恢复中的应用 | 第63-69页 |
| 5.1 古碑文恢复概述 | 第63页 |
| 5.2 碑文图像预处理 | 第63-66页 |
| 5.2.1 几何校正 | 第64页 |
| 5.2.2 图像增强 | 第64-65页 |
| 5.2.3 图像去噪 | 第65-66页 |
| 5.3 碑文图像超分辨率重建结果与分析 | 第66-67页 |
| 5.4 本章小结 | 第67-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 本文工作总结 | 第69-70页 |
| 6.2 未来工作展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 攻读硕士学位期间已发表和录用的学术论文 | 第77页 |