| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题的背景、研究目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文主要研究内容 | 第13-15页 |
| 1.4 本文章节安排 | 第15-16页 |
| 第二章 图像超分辨率算法概述 | 第16-26页 |
| 2.1 超分辨率重建方法的基本理论与模型 | 第16-17页 |
| 2.2 超分辨率重建算法及其分类 | 第17-22页 |
| 2.2.1 基于插值的超分辨率算法 | 第17页 |
| 2.2.2 基于重建 | 第17-18页 |
| 2.2.3 基于学习 | 第18-22页 |
| 2.3 图像超分辨率的质量评价标准 | 第22-25页 |
| 2.3.1 主观评价 | 第22页 |
| 2.3.2 客观评价 | 第22-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于图像自相似性进行图像预处理 | 第26-33页 |
| 3.1 引言 | 第26-27页 |
| 3.2 通过图像内自相似性预处理 | 第27-31页 |
| 3.2.1 预处理思想以及可行性 | 第27-28页 |
| 3.2.2 同尺度块提供图像内自相似性 | 第28页 |
| 3.2.3 跨尺度块提供内自相似性 | 第28-30页 |
| 3.2.4 结合上述图像内自相似性预处理 | 第30-31页 |
| 3.3 本章小结 | 第31-33页 |
| 第四章 基于极深网络的深度学习网络模型 | 第33-47页 |
| 4.1 引言 | 第33-34页 |
| 4.2 极深网络实现超分辨率重建 | 第34-36页 |
| 4.2.1 VDSR与SRCNN的简单对比 | 第34-35页 |
| 4.2.2 VDSR网络结构 | 第35-36页 |
| 4.3 改进的VDSR网络 | 第36-45页 |
| 4.3.1 Residual Network结构 | 第37-38页 |
| 4.3.2 Batch Normalization批量归一化 | 第38-42页 |
| 4.3.3 改进的极深网络结构 | 第42-45页 |
| 4.4 本章小结 | 第45-47页 |
| 第五章 实验结果与分析 | 第47-53页 |
| 5.1 数据集 | 第47-48页 |
| 5.2 实现细节 | 第48页 |
| 5.3 与相关算法比较结果 | 第48-51页 |
| 5.4 其他方面讨论 | 第51-52页 |
| 5.5 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 攻读学位期间发表的学术论文 | 第59页 |