| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景和意义 | 第15-16页 |
| 1.2 超分辨率的发展进程与研究现状 | 第16-19页 |
| 1.2.1 基于重建的方法 | 第16-18页 |
| 1.2.2 基于插值的方法 | 第18页 |
| 1.2.3 基于学习的方法 | 第18-19页 |
| 1.3 主要研究内容和章节安排 | 第19-21页 |
| 第二章 图像超分辨率的相关理论 | 第21-31页 |
| 2.1 降质模型 | 第21-22页 |
| 2.2 深度学习 | 第22-28页 |
| 2.2.1 卷积神经网络 | 第24-26页 |
| 2.2.2 生成式对抗网络 | 第26-27页 |
| 2.2.3 深度学习与超分辨率的内在联系 | 第27-28页 |
| 2.3 评价SR算法的测试集 | 第28页 |
| 2.4 SR算法重构图像质量的评价方法 | 第28-30页 |
| 2.5 小结 | 第30-31页 |
| 第三章 基于PCANet和核方法的图像超分辨率算法 | 第31-61页 |
| 3.1 传统字典训练方法的局限 | 第31-32页 |
| 3.2 基于PCANet和核方法的字典训练模型 | 第32-49页 |
| 3.2.1 基于核的PCA原理 | 第35-40页 |
| 3.2.2 字典训练模型的网络结构 | 第40-41页 |
| 3.2.3 字典训练 | 第41-49页 |
| 3.3 基于字典的SR重构 | 第49-50页 |
| 3.4 实验结果与分析 | 第50-59页 |
| 3.4.1 实验设置 | 第51-52页 |
| 3.4.2 网络参数设置 | 第52-53页 |
| 3.4.3 放大2倍实验结果及性能分析 | 第53-56页 |
| 3.4.4 放大4倍的实验结果与分析 | 第56-58页 |
| 3.4.5 算法耗时分析 | 第58-59页 |
| 3.5 小结 | 第59-61页 |
| 第四章 基于GAN和ResNet的图像超分辨率算法 | 第61-83页 |
| 4.1 基于CNN的单幅图像超分辨率 | 第61-63页 |
| 4.1.1 网络框架 | 第61-63页 |
| 4.1.2 SRCNN局限性 | 第63页 |
| 4.2 基于GAN和ResNet的图像SR重构算法 | 第63-76页 |
| 4.2.1 网络结构 | 第65-68页 |
| 4.2.2 训练阶段 | 第68-69页 |
| 4.2.3 测试阶段 | 第69-70页 |
| 4.2.4 实验相关设置 | 第70页 |
| 4.2.5 放大2倍的实验结果以及性能分析 | 第70-73页 |
| 4.2.6 放大4倍的实验结果与分析 | 第73-76页 |
| 4.2.7 算法耗时分析 | 第76页 |
| 4.3 结合SRGR和IBP应用于车牌图像SR重构 | 第76-81页 |
| 4.3.1 网络结构 | 第77页 |
| 4.3.2 实验结果与分析 | 第77-81页 |
| 4.4 小结 | 第81-83页 |
| 第五章 总结和展望 | 第83-85页 |
| 5.1 总结 | 第83页 |
| 5.2 展望 | 第83-85页 |
| 参考文献 | 第85-89页 |
| 致谢 | 第89-91页 |
| 作者简介 | 第91-92页 |
