| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 第一章 概述 | 第7-11页 |
| ·研究背景 | 第7页 |
| ·图像超分辨率分类 | 第7-9页 |
| ·基于重建的图像超分辨率 | 第7-9页 |
| ·基于学习的图像超分辨率 | 第9页 |
| ·本文的工作 | 第9-10页 |
| ·论文的组织 | 第10-11页 |
| 第二章 传统的基于插值的图像放大算法 | 第11-22页 |
| ·传统的基于插值的图像放大算法 | 第11-12页 |
| ·插值算法简介 | 第12-13页 |
| ·几种最常用的图像插值方法 | 第13-16页 |
| ·最邻近插值(Nearest Neighbor) | 第13页 |
| ·双线性插值(Bilinear) | 第13-15页 |
| ·Bicubic插值 | 第15页 |
| ·Hanning and Hamming插值 | 第15页 |
| ·Lanczos插值 | 第15-16页 |
| ·插值函数主要算法流程 | 第16-18页 |
| ·对采用传统插值算法放大后图像的改进 | 第18-19页 |
| ·实验结果 | 第19-22页 |
| 第三章 新的边缘自适应的图像放大方法 | 第22-35页 |
| ·研究背景 | 第22页 |
| ·几种边缘自适应的图像插值方法 | 第22-26页 |
| ·Dube’00 | 第23-24页 |
| ·Cok’87 | 第24-25页 |
| ·Kimmel’99 | 第25-26页 |
| ·一种全新的边缘自适应的图像插值方法 | 第26-31页 |
| ·算法简介 | 第26-27页 |
| ·算法的原理 | 第27-29页 |
| ·算法的一般化 | 第29-31页 |
| ·实验结果性能评价 | 第31-35页 |
| 第四章 基于学习的一般图像超分辨率算法 | 第35-48页 |
| ·基于重建的图像超分辨率缺陷 | 第35-39页 |
| ·基于例子的方法 | 第39页 |
| ·生成训练库 | 第39-45页 |
| ·马尔可夫网络算法 | 第40-41页 |
| ·单次次迭代算法 | 第41-45页 |
| ·预测 | 第43-45页 |
| ·搜索算法 | 第44-45页 |
| ·训练 | 第45页 |
| ·参数设置 | 第45页 |
| ·实验结果 | 第45-46页 |
| ·结论 | 第46-48页 |
| 第五章 基于学习的人脸图像超分辨率 | 第48-66页 |
| ·引言 | 第48-49页 |
| ·人脸图像超分辨率的贝叶斯估计 | 第49页 |
| ·先验模型建立 | 第49-59页 |
| ·图像低层次局部特征 | 第50-55页 |
| ·特征向量 | 第55页 |
| ·塔状父结构 | 第55-57页 |
| ·局部最优匹配 | 第57-59页 |
| ·预测先验模型 | 第59页 |
| ·观测模型建立 | 第59-60页 |
| ·集成与优化 | 第60-61页 |
| ·实验结果分析 | 第61-62页 |
| ·结论和展望 | 第62-66页 |
| 第六章 总结与展望 | 第66-68页 |
| ·总结 | 第66-67页 |
| ·应用前景及发展方向 | 第67-68页 |
| 参考文献 | 第68-75页 |
| 致谢 | 第75-76页 |
| 作者在攻读硕士学位期间公开发表(录用)的论文和参与的项目 | 第76页 |