基于统计学习的压缩图像超分辨率内插研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 研究内容与章节安排 | 第11-13页 |
| 第二章 图像内插方法 | 第13-25页 |
| 2.1 图像内插原理 | 第13-14页 |
| 2.2 常用的图像内插方法 | 第14-20页 |
| 2.2.1 基于多项式的内插 | 第14-16页 |
| 2.2.2 基于稀疏表示的内插 | 第16-17页 |
| 2.2.3 基于自回归模型的内插 | 第17-19页 |
| 2.2.4 基于方向的内插 | 第19-20页 |
| 2.3 内插图像的质量评价 | 第20-23页 |
| 2.3.1 峰值信噪比 | 第20-21页 |
| 2.3.2 结构相似性 | 第21页 |
| 2.3.3 特征相似性 | 第21-23页 |
| 2.4 本章小结 | 第23-25页 |
| 第三章 使用方向参数的双三次内插 | 第25-38页 |
| 3.1 使用方向双三次内插的图像内插 | 第25-28页 |
| 3.1.1 算法原理 | 第25-27页 |
| 3.1.2 算法分析 | 第27-28页 |
| 3.2 改进的使用方向参数的双三次图像内插 | 第28-32页 |
| 3.2.1 局部边缘的检测 | 第29页 |
| 3.2.2 像素的插值方法 | 第29-31页 |
| 3.2.3 计算复杂度的降低 | 第31-32页 |
| 3.3 实验结果与分析 | 第32-36页 |
| 3.3.1 实验环境 | 第32-33页 |
| 3.3.2 实验参数的选择 | 第33-34页 |
| 3.3.3 算法性能的比较与分析 | 第34-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第四章 采用自适应对称自回归模型的压缩图像内插 | 第38-57页 |
| 4.1 压缩图像的超分辨率方法 | 第38-40页 |
| 4.1.1 压缩图像的降质模型 | 第38-39页 |
| 4.1.2 现有的单幅压缩图像的超分辨率重建方法 | 第39-40页 |
| 4.2 自回归内插模型 | 第40-43页 |
| 4.2.1 常用的自回归模型 | 第40-41页 |
| 4.2.2 自适应对称的自回归模型 | 第41-43页 |
| 4.3 采用自适应对称自回归模型的压缩图像内插 | 第43-50页 |
| 4.3.1 算法框架 | 第43-44页 |
| 4.3.2 学习阶段 | 第44-49页 |
| 4.3.3 内插阶段 | 第49-50页 |
| 4.4 实验结果与分析 | 第50-56页 |
| 4.4.1 实验环境 | 第50-51页 |
| 4.4.2 实验参数的选择 | 第51页 |
| 4.4.3 算法性能的比较与分析 | 第51-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 压缩图像内插的预处理方法 | 第57-71页 |
| 5.1 图像的压缩编码过程 | 第57-59页 |
| 5.1.1 离散余弦变换 | 第57-58页 |
| 5.1.2 量化 | 第58-59页 |
| 5.1.3 熵编码 | 第59页 |
| 5.2 一种压缩图像的预处理方法 | 第59-62页 |
| 5.2.1 PDE 正则化 | 第59-60页 |
| 5.2.2 迭代次数的确定 | 第60-62页 |
| 5.3 实验结果与分析 | 第62-70页 |
| 5.3.1 实验环境 | 第62-63页 |
| 5.3.2 实验参数的选择 | 第63-64页 |
| 5.3.3 算法性能的比较与分析 | 第64-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 论文工作及创新 | 第71-72页 |
| 6.2 不足与展望 | 第72-73页 |
| 参考文献 | 第73-75页 |
| 附录1 程序清单 | 第75-77页 |
| 附录2 攻读硕士学位期间撰写的论文 | 第77-78页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第78-79页 |
| 致谢 | 第79页 |
