| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题研究的背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 基于插值的图像超分辨率方法 | 第11-13页 |
| 1.2.2 基于重建的图像超分辨率方法 | 第13-14页 |
| 1.2.3 基于学习的图像超分辨率方法 | 第14-16页 |
| 1.3 图像质量评价标准 | 第16-18页 |
| 1.3.1 主观评价 | 第16页 |
| 1.3.2 图像质量客观评价 | 第16-18页 |
| 1.4 主要研究内容及结构安排 | 第18-20页 |
| 第2章 人工神经网络技术 | 第20-27页 |
| 2.1 引言 | 第20页 |
| 2.2 神经网络 | 第20-26页 |
| 2.2.1 感知机学习算法 | 第20-22页 |
| 2.2.2 卷积神经网络 | 第22-24页 |
| 2.2.3 极限学习机 | 第24-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 基于L1正则化极限学习机的图像超分辨率 | 第27-46页 |
| 3.1 引言 | 第27页 |
| 3.2 基于极限学习机的图像超分辨率算法 | 第27-28页 |
| 3.3 基于L1正则化极限学习机的图像超分辨率 | 第28-34页 |
| 3.3.1 正则化问题和最小绝对收缩与选择算子 | 第29-30页 |
| 3.3.2 L1正则化极限学习机——LARS-ELM | 第30-31页 |
| 3.3.3 算法细节 | 第31-33页 |
| 3.3.4 图像全局信息 | 第33-34页 |
| 3.4 算法仿真与结果分析 | 第34-45页 |
| 3.4.1 算法参数设置 | 第34页 |
| 3.4.2 算法结果和分析 | 第34-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 基于极限学习机的非线性邻域嵌入图像超分辨率 | 第46-64页 |
| 4.1 引言 | 第46页 |
| 4.2 基于邻域嵌入的图像超分辨率算法 | 第46-48页 |
| 4.3 基于极限学习机的非线性邻域嵌入图像超分辨率 | 第48-52页 |
| 4.3.1 图像训练数据特征表示 | 第48-49页 |
| 4.3.2 算法细节 | 第49-52页 |
| 4.4 算法仿真与结果分析 | 第52-63页 |
| 4.4.1 算法参数设置 | 第52-53页 |
| 4.4.2 参数选择验证 | 第53-58页 |
| 4.4.3 算法结果和分析 | 第58-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第5章 基于深度表示极限学习机的图像超分辨率 | 第64-77页 |
| 5.1 引言 | 第64页 |
| 5.2 基于深度表示的极限学习机算法 | 第64-67页 |
| 5.2.1 DrELM算法简介 | 第64页 |
| 5.2.2 DrELM算法步骤 | 第64-67页 |
| 5.3 基于深度表示极限学习机的图像超分辨率算法 | 第67-76页 |
| 5.3.1 算法细节 | 第69-71页 |
| 5.3.2 算法参数设置 | 第71页 |
| 5.3.3 算法结果和分析 | 第71-76页 |
| 5.4 本章小结 | 第76-77页 |
| 结论 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第83-84页 |
| 致谢 | 第84页 |
