基于深度学习的图像超分辨算法研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 本文研究内容 | 第14页 |
| 1.4 论文章节安排 | 第14-16页 |
| 第二章 图像超分辨与深度学习理论基础 | 第16-32页 |
| 2.1 引言 | 第16页 |
| 2.2 图像超分辨基本理论 | 第16-19页 |
| 2.2.1 图像超分辨 | 第16-17页 |
| 2.2.2 图像超分辨技术 | 第17-19页 |
| 2.3 深度学习基本理论 | 第19-27页 |
| 2.3.1 深度学习基本概念 | 第20页 |
| 2.3.2 深度学习架构 | 第20-23页 |
| 2.3.3 非线性激活函数 | 第23-25页 |
| 2.3.4 优化方法 | 第25-27页 |
| 2.4 图像超分辨效果评价标准 | 第27-32页 |
| 2.4.1 PSNR峰值信噪比 | 第28-29页 |
| 2.4.2 MSE均方根误差 | 第29-30页 |
| 2.4.3 SSIM结构相似性指标 | 第30-32页 |
| 第三章 基于多层感知机的图像超分辨算法研究 | 第32-46页 |
| 3.1 引言 | 第32页 |
| 3.2 多层感知机 | 第32-33页 |
| 3.3 基于MLP的图像超分辨算法流程 | 第33-37页 |
| 3.3.1 图像数据集处理 | 第33-35页 |
| 3.3.2 多层感知机的训练 | 第35-36页 |
| 3.3.3 图像恢复 | 第36-37页 |
| 3.4 实验结果分析 | 第37-44页 |
| 3.4.1 Batch_size分析 | 第37-38页 |
| 3.4.2 激活函数分析 | 第38-39页 |
| 3.4.3 网络单元数分析 | 第39页 |
| 3.4.4 超分辨效果分析 | 第39-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第四章 基于卷积神经网络的图像超分辨研究 | 第46-54页 |
| 4.1 引言 | 第46页 |
| 4.2 卷积神经网络 | 第46-47页 |
| 4.3 基于CNN的图像超分辨流程 | 第47-49页 |
| 4.3.1 特征的提取与表达 | 第47-48页 |
| 4.3.2 非线性映射 | 第48页 |
| 4.3.3 图像重建 | 第48-49页 |
| 4.4 实验分析 | 第49-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 工作总结 | 第54页 |
| 5.2 展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-62页 |
| 攻读学位期间的科研成果 | 第62-63页 |
