| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-13页 |
| 缩略语对照表 | 第13-17页 |
| 第一章 绪论 | 第17-25页 |
| 1.1 研究背景及意义 | 第17-18页 |
| 1.2 国内外研究发展现状 | 第18-22页 |
| 1.2.1 国内外研究现状 | 第18-21页 |
| 1.2.2 发展趋势 | 第21-22页 |
| 1.3 本文的研究内容与结构安排 | 第22-25页 |
| 1.3.1 本文研究内容 | 第22页 |
| 1.3.2 结构安排 | 第22-25页 |
| 第二章 超分辨率重建技术理论概述 | 第25-37页 |
| 2.1 图像重建原理 | 第25-27页 |
| 2.1.1 观测模型 | 第25-26页 |
| 2.1.2 图像超分辨率重建 | 第26-27页 |
| 2.2 基于重建的超分辨率算法 | 第27-32页 |
| 2.2.1 频域图像重建 | 第27-28页 |
| 2.2.2 空域图像重建 | 第28-32页 |
| 2.3 基于学习的超分辨率算法 | 第32-35页 |
| 2.3.1 稀疏表示法 | 第32-33页 |
| 2.3.2 LLE法 | 第33-34页 |
| 2.3.3 深度学习法 | 第34-35页 |
| 2.4 客观质量评价 | 第35页 |
| 2.5 本章小结 | 第35-37页 |
| 第三章 单字典学习图像超分辨率重建 | 第37-55页 |
| 3.1 基于稀疏表示的图像重建 | 第37-40页 |
| 3.1.1 稀疏先验约束 | 第37-38页 |
| 3.1.2 稀疏编码求解 | 第38-40页 |
| 3.2 单字典对训练 | 第40-44页 |
| 3.2.1 图像特征提取 | 第40-42页 |
| 3.2.2 样本特征降维 | 第42页 |
| 3.2.3 基于K-SVD的字典训练 | 第42-44页 |
| 3.3 图像重建流程及结果 | 第44-48页 |
| 3.3.1 图像重建流程 | 第44-45页 |
| 3.3.2 不同算法重建结果 | 第45-48页 |
| 3.4 面向应用的图像快速超分辨率重建 | 第48-54页 |
| 3.4.1 图像分区域管理重建 | 第48-49页 |
| 3.4.2 KPCA字典降维 | 第49-50页 |
| 3.4.3 结果与分析 | 第50-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第四章 分类字典学习图像超分辨率重建 | 第55-71页 |
| 4.1 Gabor滤波特征提取 | 第55-60页 |
| 4.1.1 Gabor变换 | 第55-56页 |
| 4.1.2 Gabor滤波特征提取 | 第56-60页 |
| 4.2 训练样本聚类分析 | 第60-63页 |
| 4.2.1 K-means聚类算法 | 第60-62页 |
| 4.2.2 最佳聚类数确定 | 第62-63页 |
| 4.3 基于K-means与Gabor滤波的分类字典学习 | 第63-67页 |
| 4.3.1 样本特征聚类流程 | 第63-65页 |
| 4.3.2 分类字典训练 | 第65-66页 |
| 4.3.3 字典选择性重建 | 第66-67页 |
| 4.4 聚类结果与分析 | 第67-69页 |
| 4.5 本章小结 | 第69-71页 |
| 第五章 分类字典学习算法实现及结果分析 | 第71-83页 |
| 5.1 分类字典学习图像超分辨率重建流程 | 第71-72页 |
| 5.2 训练样本的选取标准 | 第72页 |
| 5.3 基于K-means与Gabor滤波的分类字典重建效果 | 第72-74页 |
| 5.4 红外图像分类字典学习重建效果 | 第74-77页 |
| 5.4.1 红外图像仿真实验 | 第74-76页 |
| 5.4.2 红外图像实际重建 | 第76-77页 |
| 5.5 离线字典大小对重建的影响 | 第77-81页 |
| 5.5.1 重建时间分析 | 第77-79页 |
| 5.5.2 重建质量比较 | 第79-81页 |
| 5.6 本章小结 | 第81-83页 |
| 第六章 总结与展望 | 第83-85页 |
| 6.1 全文总结 | 第83页 |
| 6.2 工作展望 | 第83-85页 |
| 参考文献 | 第85-91页 |
| 致谢 | 第91-93页 |
| 作者简介 | 第93-95页 |