| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 本文研究内容及章节安排 | 第13-15页 |
| 1.3.1 主要研究内容 | 第13页 |
| 1.3.2 章节安排 | 第13-15页 |
| 第2章 单幅图像超分辨率重建理论和关键技术 | 第15-29页 |
| 2.1 图像退化模型 | 第15-16页 |
| 2.2 图像超分辨重建中的相关概念 | 第16-17页 |
| 2.2.1 图像分辨率与图像超分辨率 | 第16页 |
| 2.2.2 图像复原与图像超分辨率重建的关系 | 第16-17页 |
| 2.3 主成分分析方法 | 第17-18页 |
| 2.4 常用的单幅图像超分辨率重建方法 | 第18-26页 |
| 2.4.1 基于插值的超分辨率重建方法 | 第18-23页 |
| 2.4.2 稀疏编码超分辨率重建方法 | 第23-26页 |
| 2.5 图像质量评价指标 | 第26-27页 |
| 2.5.1 峰值信噪比 | 第26-27页 |
| 2.5.2 结构相似度量 | 第27页 |
| 2.6 本章小结 | 第27-29页 |
| 第3章 基于稀疏表示的图像超分辨率重建方法研究及改进 | 第29-45页 |
| 3.1 稀疏域自适应模型 | 第29-33页 |
| 3.1.1 子字典的学习 | 第30-31页 |
| 3.1.2 子字典的自适应选取 | 第31-32页 |
| 3.1.3 问题的提出及改进思想 | 第32-33页 |
| 3.2 支持向量数据描述优化聚类结果 | 第33-37页 |
| 3.2.1 K均值聚类算法 | 第34-35页 |
| 3.2.2 支持向量数据描述 | 第35-36页 |
| 3.2.3 问题的提出及改进思想 | 第36-37页 |
| 3.3 实验结果与分析 | 第37-43页 |
| 3.3.1 全图像信息重建实验结果分析 | 第38-40页 |
| 3.3.2 SVDD优化聚类结果实验结果分析 | 第40-43页 |
| 3.4 本章小结 | 第43-45页 |
| 第4章 基于稀疏表示的自适应正则化方法 | 第45-55页 |
| 4.1 非局部自相似性正则化 | 第45-47页 |
| 4.1.1 图像的非局部自相似性 | 第46页 |
| 4.1.2 非局部自相似性正则化模型 | 第46-47页 |
| 4.2 全变分正则化 | 第47-49页 |
| 4.2.1 全变分概念 | 第47-48页 |
| 4.2.2 全变分正则化模型 | 第48-49页 |
| 4.3 正则化方法自适应选择 | 第49-50页 |
| 4.4 实验结果与分析 | 第50-54页 |
| 4.4.1 实验数据集与参数设置 | 第50-52页 |
| 4.4.2 仿真结果及分析 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 总结 | 第55-57页 |
| 5.1 主要工作与创新点 | 第55-56页 |
| 5.2 未来工作展望 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62-64页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第64页 |