基于稀疏表示的图像超分辨率算法的研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 图像超分辨率的国内外研究现状 | 第9-12页 |
| 1.2.1 图像降质模型 | 第10页 |
| 1.2.2 基于插值的图像超分辨率重建 | 第10-11页 |
| 1.2.3 基于重建的图像超分辨率重建 | 第11-12页 |
| 1.2.4 基于学习的图像超分辨率重建算法 | 第12页 |
| 1.3 本文主要的研究内容及章节安排 | 第12-14页 |
| 第二章 稀疏表示及图像重建原理 | 第14-23页 |
| 2.1 稀疏表示基本思想 | 第14-16页 |
| 2.1.1 稀疏表示模型 | 第14-15页 |
| 2.1.2 稀疏表示的唯一性及稳定性 | 第15-16页 |
| 2.2 稀疏系数求解算法 | 第16-18页 |
| 2.2.1 贪婪追踪算法 | 第16-18页 |
| 2.2.2 松弛优化算法 | 第18页 |
| 2.3 稀疏表示字典构造 | 第18-21页 |
| 2.3.1 最优方向法(MOD) | 第19页 |
| 2.3.2 广义PCA算法 | 第19-20页 |
| 2.3.3 K-SVD字典学习算法 | 第20-21页 |
| 2.4 稀疏表示下的图像超分辨率重建 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 基于稀疏表示和小波变换的图像超分辨率重建 | 第23-41页 |
| 3.1 算法设计 | 第23-31页 |
| 3.1.1 算法框图 | 第23-24页 |
| 3.1.2 Haar小波重建原理 | 第24-26页 |
| 3.1.3 图像VO分解模型 | 第26-27页 |
| 3.1.4 特征提取 | 第27-29页 |
| 3.1.5 字典训练 | 第29-31页 |
| 3.1.6 重建高分辨率图像 | 第31页 |
| 3.2 非局部相似性优化模型 | 第31-33页 |
| 3.2.1 构建非局部自相似性正则项 | 第31-33页 |
| 3.2.2 基于非局部自相似性的图像重建 | 第33页 |
| 3.3 实验结果分析 | 第33-40页 |
| 3.3.1 主观评价 | 第33-37页 |
| 3.3.2 客观评价 | 第37-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于最优方向多字典学习的遥感图像重建 | 第41-49页 |
| 4.1 基于最优方向(MOD)的多字典图像重建 | 第41-45页 |
| 4.1.1 最优方向的多字典训练 | 第41-43页 |
| 4.1.2 遥感图像重建 | 第43-45页 |
| 4.2 实验结果分析 | 第45-48页 |
| 4.2.1 主观评价 | 第45-47页 |
| 4.2.2 客观评价 | 第47-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 参考文献 | 第51-54页 |
| 致谢 | 第54页 |
