基于稀疏表示的图像超分辨率重建算法研究
| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 图像超分辨率重建的应用 | 第13页 |
| 1.3 研究现状 | 第13-17页 |
| 1.3.1 基于插值的方法 | 第14页 |
| 1.3.2 基于重建的方法 | 第14-16页 |
| 1.3.3 基于学习的算法 | 第16-17页 |
| 1.4 研究内容及组织结构 | 第17-19页 |
| 1.4.1 研究内容 | 第17页 |
| 1.4.2 组织结构 | 第17-19页 |
| 第2章 图像超分辨率重建技术 | 第19-31页 |
| 2.1 图像超分辨率退化模型 | 第19-20页 |
| 2.2 图像超分辨率重建的病态性求解 | 第20-21页 |
| 2.3 单幅图像超分辨率重建算法 | 第21-22页 |
| 2.4 基于插值的方法 | 第22-23页 |
| 2.4.1 最邻近插值法 | 第22页 |
| 2.4.2 双线性插值法 | 第22-23页 |
| 2.5 基于重建的方法 | 第23-25页 |
| 2.5.1 迭代反投影算法 | 第23页 |
| 2.5.2 凸集投影算法 | 第23页 |
| 2.5.3 最大后验概率算法 | 第23-25页 |
| 2.6 基于学习的方法 | 第25-29页 |
| 2.6.1 基于例子的算法 | 第25-26页 |
| 2.6.2 基于邻近嵌入算法 | 第26-27页 |
| 2.6.3 稀疏表示算法 | 第27-29页 |
| 2.7 重建图像的评价方法 | 第29-30页 |
| 2.8 本章小结 | 第30-31页 |
| 第3章 基于L1范数的BTV自适应正则化算法 | 第31-36页 |
| 3.1 正则化超分辨率重建模型 | 第31-32页 |
| 3.2 L1范数BTV正则化算法 | 第32-33页 |
| 3.3 自适应正则化参数选择 | 第33页 |
| 3.4 L1范数的BTV自适应正则化重建算法实现 | 第33-34页 |
| 3.5 实验与分析 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 基于稀疏表示的正则化超分辨率重建算法 | 第36-42页 |
| 4.1 图像的稀疏表示 | 第36-37页 |
| 4.2 基于稀疏表示的正则化超分辨率重建算法 | 第37-39页 |
| 4.2.1 K-SVD字典构造 | 第37-39页 |
| 4.2.2 正则化参数的选择 | 第39页 |
| 4.3 算法步骤 | 第39页 |
| 4.4 实验与分析 | 第39-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第5章 基于聚类的稀疏表示图像超分辨率重建算法 | 第42-48页 |
| 5.1 基于聚类的字典训练 | 第42-43页 |
| 5.2 字典学习 | 第43-44页 |
| 5.3 子字典选择 | 第44-45页 |
| 5.3.1 正则化参数的选择 | 第44-45页 |
| 5.4 算法步骤 | 第45页 |
| 5.5 实验与分析 | 第45-47页 |
| 5.6 本章小结 | 第47-48页 |
| 第6章 结论与展望 | 第48-50页 |
| 6.1 结论 | 第48页 |
| 6.2 展望 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 致谢 | 第54-55页 |
| 附录 攻读硕士学位期间所发表的学术论文 | 第55页 |
