| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第6-8页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 图像超分辨率复原技术 | 第8-11页 |
| 1.1.1 图像超分辨率复原技术的产生与发展 | 第8-9页 |
| 1.1.2 图像超分辨率复原研究意义 | 第9-10页 |
| 1.1.3 图像超分辨率复原国内外研究现状及分析 | 第10-11页 |
| 1.2 本文的研究内容及结构 | 第11-12页 |
| 第2章 基于学习的图像超分辨率复原技术概述 | 第12-16页 |
| 2.1 概述 | 第12页 |
| 2.2 基于学习的超分辨率复原产生原因 | 第12-13页 |
| 2.3 几种常见的基于学习的图像超分辨率复原算法 | 第13-14页 |
| 2.3.1 基于图像块学习的图像超分辨率复原算法 | 第13页 |
| 2.3.2 基于多类预测学习的图像超分辨率复原算法 | 第13页 |
| 2.3.3 基于学习的人脸图像超分辨率复原算法 | 第13-14页 |
| 2.4 图像超分辨率复原评价标准 | 第14-15页 |
| 2.4.1 主观评价方法 | 第14页 |
| 2.4.2 客观评价方法 | 第14-15页 |
| 2.5 本章小结 | 第15-16页 |
| 第3章 基于统计集中稀疏表示的图像超分辨率复原 | 第16-30页 |
| 3.1 本章中使用的相关理论知识 | 第17-19页 |
| 3.1.1 拉普拉斯分布的基本理论 | 第17-18页 |
| 3.1.3 最大后验估计(MAP)方法 | 第18-19页 |
| 3.2 图像超分辨率复原中的稀疏编码噪声 | 第19-23页 |
| 3.2.1 常见噪声模型 | 第19-20页 |
| 3.2.2 几种基本的图像去噪方法 | 第20-21页 |
| 3.2.3 基于集中稀疏表示的图像噪声 | 第21-23页 |
| 3.3 基于统计集中稀疏表示的图像超分辨率复原 | 第23-25页 |
| 3.3.1 基于统计稀疏编码噪声的图像稀疏表示模型 | 第23页 |
| 3.3.2 α x的相关选取 | 第23-24页 |
| 3.3.3 图像基于统计集中稀疏表示的模型 | 第24-25页 |
| 3.4 AMRF 先验模型 | 第25-27页 |
| 3.4.1 MRF 理论 | 第25-26页 |
| 3.4.2 AMRF 模型参数估计 | 第26-27页 |
| 3.5 参数λ和γ的选取 | 第27-28页 |
| 3.6 图像基于统计集中稀疏表示的模型 | 第28-29页 |
| 3.7 本章小结 | 第29-30页 |
| 第4章 自适应 PCA 字典设计方法 | 第30-36页 |
| 4.1 字典选取的重要研究意义 | 第30页 |
| 4.2 传统的冗余字典的设计 | 第30-32页 |
| 4.2.1 小波字典 | 第30-31页 |
| 4.2.2 最佳方向(MOD)字典 | 第31-32页 |
| 4.2.3 K-SVD 字典 | 第32页 |
| 4.2.4 广义主成分分析(PCA)字典 | 第32页 |
| 4.3 自适应 PCA 字典 | 第32-35页 |
| 4.3.1 PCA 的理论知识 | 第32-34页 |
| 4.3.2 PCA 自适应字典的设计 | 第34-35页 |
| 4.4 本章小结 | 第35-36页 |
| 第5章 基于统计稀疏表示和自适应 PCA 字典的图像超分辨率复原 | 第36-44页 |
| 5.1 图像超分辨率复原算法 | 第36-37页 |
| 5.2 仿真结果 | 第37-41页 |
| 5.2.1 图像去模糊 | 第37-39页 |
| 5.2.2 图像去噪 | 第39-40页 |
| 5.2.3 单幅图像的超分辨率复原 | 第40-41页 |
| 5.3 拍摄图像的仿真结果 | 第41-43页 |
| 5.4 本章小结 | 第43-44页 |
| 第6章 总结与展望 | 第44-46页 |
| 6.1 本文总结 | 第44-45页 |
| 6.2 展望 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 攻读硕士期间发表和录用的论文 | 第49-50页 |
| 致谢 | 第50-51页 |
| 详细摘要 | 第51-55页 |
